Nông Th Hoa
MÔ PHNG QUÁ TRÌNH GHI NH
CA H THC
Chuyên ngành: Khoa hc máy tính
Mã s: 62.48.01.01
TÓM TT LUN ÁN TI THÔNG TIN
Hà Ni 2014
Công trình được hoàn thành tại: Trường Đại học Công nghệ - Đại học Quốc gia
Hà Nội.
Người hướng dẫn khoa học: PGS.TS. Bùi Thế Duy
Phản biện 1:
Phản biện 2:
Phản biện 3
Luận án tiến sĩ sẽ được bảo vệ trước hội đồng cấp Đại học Quốc gia chấm luận án
tiến sĩ họp tại…………………………………………………………
Vào hồi giờ ngày tháng năm
Có thể tìm hiểu luận án tại:
-Thư viện Quốc gia Việt Nam
-Trung tâm Thông tin – Thư viện, Đại học Quốc gia Hà Nội
1
MỞ ĐẦU
1. Tính cấp thiết của luận án
ng vt cao cp nht nh vào kh c bit ca
b i phát trin mnh m và hoàn thin cho các ch u khin,
lp k hoch, lp lung. Các mô hình mô phng hong ca não
c phát tri to ra các phn mm máy tính ngày càng thông minh và x lý thông
M-ron nhân to (ANN) là mô hình toán hc mô phng hiu qu hong ca các
-ron sinh h (BAM) (FAM), và
(Fuzzy ART) -
t
nhân: (i) vic gn trng s cho các mu trong tp hun luyp lý và (ii) lut hc
các thông tin hc t d liu hun luyn. Ha, kt qu ca quá
trình hc có ng ln quá trình nh li các my, vic nâng cao cht
ng ca quá trình hc là ht sc cn thi c các yêu cu ngày càng phc tp
ca các ng dng thc.
2. Các đóng góp của luận án
1. BAM
2. FAM
V này
3. Fuzzy ART
u
IEEE và Springer
3. Bố cục của luận án
2
Chương 1 trình bày v bài toán mô phng quá trình ghi nh thông tin ca h th-
ron sinh hu tiên, chúng tôi trình bày các hiu bin nht v -ron
sinh hkin thc quan trng v lut hc ca ANN c tng hp .
Chương 2 cung cp các kin th mô t u và ci
tia logic m và toán hc trình bày. Tip theo,
các mô hình thuc hai nhóm B nh liên kt (AM) và
(ART) c th hin theo th t phát trin các mô hình.
Chương 3 xut mt thut toán hc mi BAM h
th nghim vi các nhim v nhn dng mu cho thy BAM ci tin nh li t
BAM khác.
Chương 4 th hin hai lut hc hiu qu mi mu hun luyn và mt th tc tìm giá tr
t t hc ca Fuzzy ART. Các thc nghim trên các b d liu chun
cho thy Fuzzy ART vi lut hc ci tin nh li các cm tkhác.
Chương 5 trình bày mt lut hc ci ti hiu qu ng thi c ni
dung và s liên kt gia các cp mu. Các th nghim vi nhim v nhn dng các ch s và
các nh t d liu nh ca hãng Corel cho thy FAM ci tin nh li t
khác.
3
CHƯƠNG 1. BÀI TOÁN MÔ PHỎNG QUÁ TRÌNH GHI NHỚ
THÔNG TIN CỦA HỆ THỐNG NƠ-RON SINH HỌC
1.1 Não người và nơ-ron sinh học
1.1.1 Não người
V não ci là mt tng dày cha các -ron mà bao ph hu ht b não. V não
c chia thành bn "thùy". Mi thùy có các vùng v não ln gn vi mt ch th
u khin chuyng, ngôn ng, Mt s vùng c m rng rt mc bit
là vùng cha ngôn ng.
1.1.2 Mạng nơ-ron sinh học
Mt m-ron sinh hc là mt chu-ron có kt ni bên trong mà s kích hot
c-ron to thành s truyn tín hiu gi-ron. Nu tng các tín hiu vào trên
m-t quá mng nh-ron gt ting phn
gò si trc và truyn các tín hin t này theo các si tr-ron khác.
1.2 Nơ-ron nhân tạo và mạng nơ-ron nhân tạo
McCulloch và Pitts xut mt mô hình tính toán cho mt -ron sinh hc. -ron
nhân to tính tng trng s ca các tín hiu vào và to ra mt tín hiu ra là 1 nu tng trng
s ng nhnhc li, tín hiu ra là 0. Theo toán hc,
(1.1)
vu ra, w
j
là trng s ca tín hiu vào th j, ng, và n là s tín
hiu vào.
Các -ron nhân to c tng quát hóa theo các hàm kích hot. c
s dng xuyên nht có dng:
(1.2)
vi là tham s lp
-ron nhân to kt ni vi nhau to thành các m-ron nhân to.
1.3 Mô phỏng quá trình ghi nhớ thông tin của các mạng nơ-ron nhân tạo
Mt ANN có hai quá trình gm quá trình hc và quá trình nh li. hc ca
ANN là hc có giám sát, hc không giám sát, và lai gi hc giám sát và hc
không giám sát.
4
Có bn kiu lut hc gm: lut li- error-correction), lut ca Boltzmann,
lut ca Hebb, và lut hc cnh tranh. i vi lut li- mô hình hc có giám sát
theo nguyên tc sau: dùng li do s chênh lnh gia tín hiu ra thc và tín hii
i trng s kt ni sao cho gim dn c li. Lut hc Boltman là mt quy tc hc
tp ngu nhiên mà u chnh trng s kt n trng thái ca -ron ng mt phân
phi xác sut i. Lut hc ca Hebb c phát biu: Nu t bào thn kinh hai khp
thn kinh c kích hot ng thi và liên tc thì s liên kt ca hai khp thn kinh s c
t hc cnh tranh ch cho phép m-c kích hot cung cp tín hiu ra
mt thi m.
CHƯƠNG 2. CƠ SỞ LÝ THUYẾT
2.1 Logic mờ
2.1.1 Định nghĩa
Cho X là tp khác rng. Mt tp m A trên X ng mt hàm thucviên
vi µ
A
(x) th hin m thành viên ca phn t x vào tp m A i vi mi x X.
2.1.2 Các phép toán với tập mờ
Cho A, B là hai tp m trên X. Vi mi x X,
Phép giao ca hai t
(2.1)
Phép hp ca hai t
(2.2)
Phép bù mt tp m
(2.3)
Phép ni m ca A, B là mt ánh x:
(2.4)
tha mãn C(0, 0) = C(0, 1) = C(1, 0) = 0 và C(1, 1) = 1.
Mt kt ni m
(2.5)
tha mãn T(x, 1) = x vi x c gi là triangular norm hay t-norm.
5
Mt phân tách m là mt ánh x
(2.9)
tha mãn D(0, 0) = 0 và D(0, 1) = D(1, 0) = D(1, 1) = 1.
Mt phân tách m
(2.10)
tha mãn S(1, x) = x vi x c gi là triangular co-norm hay short s-norm.
Mt thao tác
(2.14)
c gi là gi ý m nu I m rng suy ding [0, 1] x [0, 1] vi I(0, 0) = I(0, 1)
= I(1, 1) = 1 và I(1, 0) = 0.
2.2 Toán học hình thái
2.2.1 Lưới đầy đủ
là mt tp có th t, tng phn L i tp con có mt chn trên và
chi trong L. Lp các tp m k tha c ca chu k [0, 1].
2.2.2 Các thao tác cơ bản của hình thái toán học
Phép co rút là mt ánh x t m n m M tha mãn công
thc sau:
(2.18)
Phép giãn n : L M tha mãn công thc sau:
(2.19)
2.3 Mô hình AM
2.3.1 Khái niệm về AM
AM là mt cu trúc ni dung-a ch mà ánh x các mu d liu vào sang các mu d
liu ra. Mt cu trúc ni dung-a ch là mt dng b nh mà cho phép nh li d liu da
vào m gia mu d liu vào và các m nh.
2.3.2 Hoạt động của AM
AM hong hai dng gm t liên kt và liên kt khác loi. B nh dng t liên
kt mng nht vi mu vào hin ti. dng liên kt khác loi,
6
mu vào v ni dung, kinh dó liên quan vi
m
AM có hai quá trình là
2.3.2 Một số đặc điểm của AM
-
-
-
2.4 Mô hình BAM
2.4.1 Khái niệm về BAM
BAM là mt dng ANN n hình th hin cu trúc b nh liên kt vi kh li
theo c ng. BAM là ANN .
Hình 2.1: Cấu trúc tổng quát của mô hình BAM
2.4.2 Quá trình học của BAM
Quá trình này
W
k
(A
k
,B
k
)
(2.20)
A
k
m B
k
n
Tp
(2.21)
v là mt hng s.
7
2.4.3 Quá trình nhớ lại của BAM
Cho mt mu vào X,
d liu vào ca m-ron theo công thc sau:
(2.22)
vi m là s chiu ca X, Input
j
là tng trng s ca các d liu vào c-ron j, X
i
là thành
phn th i ca mu d liu vào X.
nh d li-ron bu ra:
(2.23)
v
j
ng c-ron j.
Lp lc cp (X
f
,Y
f
ng
thái BAM hi t và Y
f
chính là mu ra ca BAM ng vi mu vào X.
2.4.4 Hàm năng lượng của BAM
H
(2.24)
2.4.5 Chiến lược học nhiều lần dùng số lần lặp tối thiểu để học một cặp mẫu
Y.F. dùng s ln
lp ti thi hc mt cp mu (MNTP). , W
k
(2.25)
vi q
k
là s hin s ln ít nht dùng (A
k
, B
k
) cho vic hm bo nh li
c (A
k
, B
k
).
2.5 Bộ nhớ liên kết mờ
2.5.1 Giới thiệu chung
(A
k
, B
k
)G mà G(A
k
)=B
k
G
G G
A
k
và B
k
k=1, ,p.
8
2.5.2 Các FAM của Kosko và sự tổng quát hóa
u tiên gm max-min FAM và max-product FAM nên
tng quát hóa FAM thành FAM
tng quát.
p mu. Cho
và
Mô hình t-ron max-C nên có th dùng mt phép ni m C
M
, C
P
, C
L
.
Quá trình hc thc hin sau:
ọ
(2.33)
Cho mu vào x, mc nh li t mc tính bng:
(2.34)
2.6 Mô hình ART
2.6.1 Cấu trúc của ART
Cu trúc chung ca mc th hin trong Hình 2.4.
Hình 2.2: Cấu trúc của một ART đơn giản
Mt mn hình có hai tng: tng d liu vào (F1) và tng d liu ra (F2).
ng ca mu khin bi hai h thng con: h thng chú ý và h thnh
ng.
2.6.2 Một số mô hình cải tiến từ ART
H c phát trin t gii quyt tc bao gm
ART 1, ART 2, ART 3, ARTMAP, Fuzzy ART, Fuzzy ARTMAP.
9
2.7 Mô hình Fuzzy ART
2.7. 1 So sánh với ART
c phát trin t hc các lp nhn dng nh vi c mu vào
và mu vào nh phân.
2.7.2 Thuật toán Fuzzy ART
Các tham s ca mô hình Fuzzy ART: chn > 0, t hc [0, 1], ng [0, 1].
Bước 1: Khởi tạo véc tơ trọng số.
(2.35)
Bước 2: Lựa chọn một cụm chiến thắng.
j
(2.36)
S chn cc gn ch s bng j, vi
(2.39)
Bước 3: Kiểm tra trạng thái của mạng là cộng hưởng hay thiết lập lại.
Cộng hưởng
(2.40)
Thiết lập lại
(2.41)
j
-
(2.39(2. 40
Bước 4: Học dữ liệu huấn luyện.
j :
(2.42)
10
2.7.3 Fuzzy ART với mã hóa đầy đủ
Moore trình bày vào
có co rút. Fuzzy ART tránh .
CHƯƠNG 3. THUẬT TOÁN HỌC MỚI CHO BỘ NHỚ LIÊN KẾT
HAI CHIỀU
3.1 Giới thiệu chung
BAM là mt ANN c m rng t các mng n-ron Hopfiled. BAM có th thc
hin tìm kim s liên kt theo c hai chiu. BAM có các m gm nh li mt m
lu t mt d liu vào có cha nhiu ho và hi t u kin trong ch
ng b.
3.2 Quá trình học của một số BAM với chiến lược học nhiều lần
Mô hình của Y.F Wang, Cruz, và Mulligan
Lut hc th hin bi công thc sau:
(3.1)
vi q
i
th hin s ln hun luyn cp (A
i
, B
i
).
BAM nh lp mq
i
cn thu kin sau:
(3.2)
vi
là s chênh lng ln nht gia cp mu th i và các cp mu khác trong
vùng A vi
là s chênh lng ln nht gia cp mu th i và các cp
mu khác trong vùng B.
Mô hình của T. Wang và Zhuang
Lut hc cc th hin bi công thc sau:
(3.3)
vi s gia trng s ∆W
ij
c tính bi công thc sau:
(3.4)
11
vi S(x)=0 nu x>0 và S(x)=1 nu x0.
Quá trình này lp ln khi các giá tr ca ma trn trng s W nh
Mô hình của Zhuang, Huang, và Chen
u,
là bt k. Khi t>0 thì lut hc c-ron i c th hin bi
công thc sau:
(3.7)
v
Lut hc ca c-ron j c th hin bi công thc sau:
(3.8)
v
Quá trình này lp ln khi các giá tr ca ma trn trng s W nh
3.3 Lý do đề xuất thuật toán học mới
T vic tng hp các nghiên cu v BAM, tác gi nhn thy mô hình BAM hc nhiu
ln s phát huy tm v phc hi t mu vào nhiu. Tuy nhiên, cn phi gim thi gian
hc các mu mà vn gi c kh li t ng cho các ng dng thc i
thi gian phn hi ngc bit khi s ng mc ca các m
ra, BAM cc ci tin kh và nh li các cp mu không trc giao.
3.4 Thuật toán học mới
3.4.1 Phân tích mối quan hệ giữa MNTP và hàm năng lượng
Gi s p
i
, B
i
và
. Mi quan h gic thit lp
t công thc (2.24) và (2.25).
Sau dãy các bic W :
12
(3.11)
và E
i
c tính bng:
(3.13)
Công thc (3.13) th hin giá tr tuyi ca E
i
t l thun vi mi q
k
ca
p cp mu
(v giá tr tuyi ca E
i
s gim nhanh khi mt s hay mi q
k
cùng
ging thi.
3.4.3 Nội dung thuật toán học mới
Mt s ký hiu c dùng trong thut toán:
- q
i
i
- W
- E
i
(A
i
, B
i
)
Quá trình hc thc hic sau:
Bước 1: Khi to giá tr MNTP ca mi cp mu bng 1 c ma trn trng
s gc ca BAM.
Bước 2: Thc hin ln khi |E
i
| 0 vi m
tr tuyi ca x.
Bước 2.1: Tính W theo công thc (2.25)
Bước 2.2: Tính E
i
theo công thc (2.24) v
Bước 2.3: Da vào giá tr ca E
i
cp nht q
i
theo hai lut sau:
Luật 1: Nu |E
i
| 0 i q
i
Luật 2: Nu |E
i
| 0 chưa thỏa mãn thì gim q
i
xung h l |E
i
| gim
xung sao cho |E
i
| 0
Ưu điểm của thuật toán học mới
13
MNTP
0
(i) quá trình hc các cp mu thc hin nhanh và linh ho và (ii) có
3.5 Kết quả thực nghiệm
Các
BAM (WBAM), Zhuang (ZBAM), Tao Wang (TBAM) và
(FFBAM)
.
Bảng 3.1: Tỷ lệ phần trăm nhận dạng đúng các điểm ảnh trong nhận
dạng vân tay
WBAM
ZBAM
TBAM
FFBAM
83.370
85.906
85.906
88.007
Bảng 3.2: Tỷ lệ phần trăm nhận dạng đúng các điểm ảnh trong nhận
dạng chữ viết tay
WBAM
ZBAM
TBAM
FFBAM
75.463
72.964
75.681
75.89
Bảng 3.3: Tỷ lệ phần trăm nhận dạng đúng các điểm ảnh trong nhận
dạng biển hiệu giao thông
WBAM
ZBAM
TBAM
FFBAM
77.98
28.303
78.303
78.348
Bảng 3.4: Tỷ lệ phần trăm nhận dạng đúng các điểm ảnh trong nhận
dạng tiền xu của Mỹ
WBAM
ZBAM
TBAM
FFBAM
85.066
45.992
84.896
85.109
14
Bảng 3.5: Tỷ lệ phần trăm nhận dạng đúng các điểm ảnh trong nhận
dạng phương tiện giao thông
WBAM
ZBAM
TBAM
FFBAM
88.11
18.96
90.076
90.076
CHƯƠNG 4. HAI LUẬT HỌC HIỆU QUẢ CHO LÝ THUYẾT
CỘNG HƯỞNG THÍCH NGHI MỜ
4.1 Giới thiệu chung
ã
các
4.2 Một số luật học điển hình của ART và Fuzzy ART
Các bic s dng: I là d liu vào hin ti, W là trng s ca các cm, và là
tham s hc nm trong khong [0, 1].
có :
(4.1)
(4.1). Ngoài ra, các
.
(4.2)
X
jk
k j và L
Yousuf và
(4.3)
vi
15
4.3 Lý do đề xuất luật học cải tiến
sau: Lut hc ca ART và Fuzzy ART là
, Fuzzy ART
.
4.4 Hai Luật học hiệu quả cho Fuzzy ART
4.4.1 Nội dung của hai luật học
Sau khi Fuzzy ART chc mt cm chin thng, vic hc mu hun luyn hin ti
din ra. Gi s, cm chin thng là cm j.
Luật học cải tiến thứ nhất
Thc hin cp nht trng s cho cm j theo công th
(4.4)
vi là tham s hc t hc và |y| là giá tr tuyi ca y.
Sau khi cp nht có th u chnh W
ij
theo lut sau: Do W
ij
luôn gim nên khi W
ij
<0
t W
ij
=0.
Luật học cải tiến thứ hai
c tiên, tính s bé nht (MDI) và s gim giá tr bé nht (MDD) ca mu
hun luyn hin ti so vi trng s ca cm chin thng theo hai công thc sau:
(4.5)
(4.6)
, lut hc ci tin th
(4.7)
4.4.2 Thuật toán tìm giá trị tối ưu cho tham số tốc độ học
Mt tp con ngu nhiên c chn t tp d liu sao cho s mu mi cm
chênh nhau ít nht. T kim tra kh m ng vi mi giá
tr ca tham s t hc.
16
Ni dung thut toán gc sau:
Bước 1: Khi to tham s t hc dc ca tp d li gim thi
gian tìm giá tr ca tham st qu phân cm ca tp mu con.
Bước 2: c sau:
Bước 2.1: c gim giá tr ca tham t s hc nhy nh
ca tham t s hc hin ti.
Bước 2.2: Tính kt qu phân cm ca tp mu con.
Bước 2.3: Kim tra kt qu phân cm ca tp mu con:
Nu kt qu phân cc gic 2.
Nu kt qu phân cm là cao nht, c 3.
Bước 3: giá tr ta tham s t hc.
4.4.3 Ưu điểm của hai luật học đề xuất
Mi mu hun luyu có mt m ng gin trng s ca cm
c chn do tham s hc l c nh trong sut quá trình hi d liu
trong tp hun luyc hc hiu qu.
Khi hc các tp d liu có các mu d ng, do s ng mu d ng ít trong khi s
ng mu chun nhiu và mi mu li có m ng ging nhau nên m nh
ng ca các mu d n trng s ca các c.
4.5 Kết quả thực nghiệm
Các tp d liu chun t d liu UCI và Shape c dùng trong các th nghim.
Các mô hình c thc thi gm: Fuzzy ART vi lut hc ci tin, Fuzzy ART gc, K-mean,
và Euclidean ART.
,
4.5.1 Thử nghiệm 1: Dùng luật học cải tiến thứ nhất
Chín tp d liu chun c chn gm Iris m ca hoa lan), Wine (chng
cu vang), Jain (s co cm ci dùng mng), Glass (các dng mnh kính v dùng
u tra), Blance-Scale (s liu dùng trong th nghim tâm lý hc), Spiral (ph ca các
nh màu), và các tm to thành các hình dc bit (Aggregation, Flame, R15). Bng
4.11 tng hp kt qu t các kim tra con ca các th nghim.
17
Bảng 4.1: Sự cải thiện khả năng phân cụm của Fuzzy ART với luật học
thứ nhất so với mô hình tốt nhất thứ hai
Kiểu
tập dữ
liệu
Sự phân bố số mẫu trong các cụm
Số mẫu
Số cụm
Số thuộc
tính
Mức độ cải
thiện (%)
1
Không đều với độ lêch cao
200-400
2 & 3
2
21-32.6
2
Không đều với độ lêch trung bình
150
3
9
15.3
3
Không đều với độ lêch trung bình
200-214
7
9
12.6-13.5
4
Không đều với độ lêch cao
500
3
2
9.8
5
Không đều với độ lêch cao
788
7
7
4.8
6
Không đều với độ lêch thấp
120-200
2 & 3
2 & 4
2.5-5.3
7
Đều với mọi phân cụm
90-201
2
3 & 4
1.5-5
8
Không đều với độ lêch trung bình
250
3
2
0.8
D liu ca Bng 4.11 th hin rng Fuzzy ART ci tin thích hp cho các tp d liu
nh, phc tp.
4.5.2 Thử nghiệm 2: Dùng luật học cải tiến thứ hai
Chúng tôi chn 7 tp d liu chun t d liu UCI bao gm MONKS (các bài
toán ca Monk), BALANCE-SCALE (s liu dùng trong th nghim tâm lý hc), WDBC
(d liu chu), WINE-RED (ch), WINE-WHITE
(ch u vang trng), và và các t m to thành các hình d c bit (D31,
R15). Bng 4.20 tng hp kt qu t các kim tra con ca các th nghim.
Bảng 4.2: Sự cải thiện khả năng phân cụm của Fuzzy ART với luật học
thứ hai so với mô hình tốt nhất thứ hai trong thử nghiệm 2
Kiểu tập
dữ liệu
Sự phân bố số mẫu trong các
cụm
Số mẫu
Số cụm
Số thuộc
tính
Mức độ cải
thiện (%)
1
Không đều với độ lệch cao
600-1200
3,4
11
15.2-30.2
2
Không đều với độ lệch cao
1000-3000
3,4
11
11.1-30.1
3
Không đều với độ lệch cao
300-625
2,3
4
18-20.8
4
Không đều với độ lệch cao
400-569
2
30
15.6-16.3
5
Không đều với độ lệch cao
4000-4898
5,6
11
2.5-5.7
6
Không đều với độ lệch trung bình
400-459
2
7
2.5-2.6
18
7
Đều với mọi phân cụm
500-1500
5,10,15
2
2.3-3.8
8
Đều với mọi phân cụm
2000-3100
20,25,31
2
1.5-2.4
Kt qu ca các kim tra con ca by th nghim cho thy kh a phân cm ca
Fuzzy ART vi lut hc th hai ci thi i vi các tp d liu nh phc tp
cao. c bit, kt qu phân cm là cao khi tpd liu có cha nhiu mu.
CHƯƠNG 5. LUẬT HỌC CẢI TIẾN CHO BỘ NHỚ LIÊN KẾT
MỜ
5.1 Giới thiệu chung
FAM là AM mà hc và nh li vi các mu c biu din dng tp m. FAM có
m là nh li các m các mu vào nhi.
5.2 Một số mô hình FAM chuẩn
k
, B
k
k
k
Mô hình của Kosko và Kong
Các ma trn trng s kt ni W
k
ca cp mu (A
k
, B
k
c tính:
(5.1)
Ma trn trng s kt nt c các cp mc tính:
(5.2)
Mô hình của Junbo, Fan, và Yan
Các ma trn trng s kt ni W
k
ca cp mu (A
k
, B
k
c tính:
(5.4)
Ma trn trng s kt nt c các cp mc tính:
(5.5)
Mô hình của Chung và Lee
Các ma trn trng s kt ni W
k
ca cp mu (A
k
, B
k
c tính:
19
(5.7)
Ma trn trng s kt nt c các cp mc tính:
(5.8)
Mô hình của Xiao, Yang, và Yu
Các ma trn trng s kt ni W
k
ca cp mu (A
k
, B
k
c tính:
(5.10)
vi
(5.11)
Ma trn trng s kt nt c các cp mc tính:
(5.12)
Tập các mô hình của S.T. Wang và Lu
Các ma trn trng s kt ni W
k
ca cp mu (A
k
, B
k
c tính:
(5.14)
Ma trn trng s kt nt c các cp mc tính:
(5.15)
(5.16)
Họ các FAM gợi ý của Sussner và Valle
Các ma trn trng s kt ni W
k
ca cp mu (A
k
, B
k
c tính:
(5.19)
vi là thao tác I
M
, I
P
, I
L
20
Ma trn trng s kt nt c các cp mc tính:
(5.20)
hoc
(5.21)
5.3 Lý do đề xuất luật học cải tiến
T các phân tích trên, tác gi thy rng mt s thông tin có ích s b mt mát trong quá
trình hc do các FAM chun ch tt ni dung các mu hoc ch tt liên kt
gia các mu. Thông tin b mt mát trong quá trình hc có th dn ti kh li b hn
ch.
5.4 Luật học cải tiến của FAM
5.4.1 Mô hình FAM với luật học cải tiến
Thit k ca mô hình FAM vi lut hc ci ti
Quá trình học các cặp mẫu
p
Bước 1: (A
k
, B
k
) W
k
theo cách sau:
(5.24)
Bước 2:
chung th
(5.25)
Quá trình nhớ lại
Y X W
sau:
(5.26)
21
Điều chỉnh ACAM cho chế độ tự liên kết
m bo kh không gii hn các cp mu ch t liên kt, chúng tôi
tính Wii giB nh liên kt hình thái (MAM).
(5.27)
c dùng cho vic nh lu ch
(5.28)
5.4.2 Hai định lý về khả năng nhớ lại hoàn hảo của ACAM
Định lý 5.1: (Khả năng nhớ lại các cặp mẫu trong chế độ liên kết khác loại)
W trong công thức (5.27) nhớ lại hoàn hảo mọi cặp mẫu (A
k
, B
k
) nếu và chỉ nếu với
mỗi k=1, ,p, mỗi cột của ma trận W
k
W có chứa một số 0.
Định lý 5.2: (Khả năng nhớ lại các cặp mẫu trong chế độ tự liên kết)
W trong công thức (5.27) nhớ lại hoàn hảo mọi cặp mẫu (A
k
, A
k
).
5.5 Kết quả thực nghiệm
FAM ci tic so sánh vi các FAM ca Junbo, Kosko, Xiao, Susners và
Valle (IFAMs). t qu, chúng tôi dùng cách tính li chun.
5.5.1 Thử nghiệm với tập dữ liệu về các số
5 -4 5 × 5.
các méo
Bảng 5.1: Kết quả thử nghiệm của bộ nhớ tự liên kết với tập dữ liệu
về con số
Junbo
Kosko
Xiao
IFAM
ACAM
0.434
0.914
0.418
0.434
0.346
22
5.1 vào
bóp méo . Lý do các mô hình khác
do trong
.
Bảng 5.2: Kết quả thử nghiệm của bộ nhớ liên kết khác loại với tập
dữ liệu về con số
Junbo
Kosko
Xiao
IFAM
ACAM
0.675
0.893
0.793
0.675
0.652
ít
5.5.2 Thử nghiệm với tập dữ liệu của Corel
B d liu này bao gm các hình c la chn t d liu Corel. Các mu
nhiu c to ra t các mu chun bng cách to ra nhiu mui tiêu mc 25% s ng
m nh.
Trong ch t liên kt, 10 c s dng. Kt qu trong ch t liên kc
trình bày trong bng 5.3 cho thy ACAM làm vic hiu qu trong vic x lý vi nhiu mui
tiêu.
Bảng 5.3: Kết quả thử nghiệm của bộ nhớ tự liên kết với tập dữ liệu
của Corel
Junbo
Kosko
Xiao
IFAM
ACAM
0.742
0.867
0.694
0.664
0.531
Ch liên kt khác loi c th nghim vi 10 cp các nh vào khác
vi nh ra. Bng 5.4 y ACAM thc hin tso vi các mô hình khác trong
s hin din ca c hai loi nhiu co rút và giãn n.
Bảng 5.4: Kết quả thử nghiệm của bộ nhớ liên kết khác loại với tập
dữ liệu của Corel
Junbo
Kosko
Xiao
IFAM
ACAM
0.795
1.018
0.702
0.624
0.548
23
KẾT LUẬN
Vi mong muc hiu bi quá trình hc c ci thin cht
ng thông tin ra ca các ANN, lun án và c các kt qu sau:
cho BAM .
làm
các BAM
lut hc hiu qu ca Fuzzy ART mà hc t mi mu hun luyn, ng
thi gim s ng ca các mu hun luyn d i vi kt qu ca quá trình hc.
Các tp d liu chuc chn t d li
li các cm ca Fuzzy ART ci tin. Vi lut hc ci tin th nht, 9 tp d liu v
các loài hoa lan, chu vang, các dng v ca kính trong các v án hình s và các
m nh to thánh các hình dc ch phân
cm. Thc nghim th nht này cho thy Fuzzy ART ci tin phân cm t so
vi các mô hình khác vi các tp d liu nh, phc tp. Vi lut hc ci tin th hai, 7 tp d
liu v triu chng ca bu vang, các bài toán ca Monk, các d
li th nghim tâm lý hc và các hình dc to thành t tm trong tp d
liu c ch th nghim. Kt qu ca thc nghim th hai cho thy kh m
ca Fuzzy ART ci tin cao i các tp d liu nh, phc tc bit, Fuzzy ART ci
tin phân cm hiu qu vi các tp d liu có nhiu mu.
Trình bày lut hc ci tin cho hiu qu c ni dung và s liên kt gia
các cp mu. a, FAM gn vi lut hc ci tin
Các th nghim c làm trên các b nh v các con s và các c ly ra t
d liu nh ca hãng Corel trong các ng dng nhn dc th nghim c
hai ch t liên kt và liên kt khác loi. Kt qu th nghim cho thy FAM ci tin có kh
li t hai ch .
Trong thi gian ti, tác gi mong muc tip tc phát trin các nghiên cu v ANN
m rng kh ng dng ca các ANN cho các bài toán ngày càng phc tp hin nay.