ycfutyfviuhuvu

<span class='text_page_counter'>(1)</span>TÌM HIỂU. MẠNG NAURAL & ỨNG DỤNG HỌC VIÊN THỰC HIỆN Chu Văn Huy Nguyễn Thị Diễm Hà Đinh Đức Thiện.

<span class='text_page_counter'>(2)</span> Nội dung trình bày 1. Tổng quan về mạng Neural 2. Ứng dụng của ANN 3. Ví dụ cài đặt.

<span class='text_page_counter'>(3)</span> 1. Tổng quan về mạng Neural 1943. -- Giới thiệu --. Giới thiệu bởi:. • Warren McCulloch • Walter Pits. Mạng Neural nhân tạo. (Artificial Neural Network - ANN) • Mô phỏng cách bộ não xử lý thông tin như thế nào? • Bao gồm rất nhiều các mối liên kết • Sau mỗi lần xử lý, kinh nghiệm được lưu lại để sử dụng trong những tình huống tiếp theo. Hiện nay. Ứng dụng rộng rãi trong các ngành: • • • •. Điện Kinh Tế Xây Dựng Hình Sự,….

<span class='text_page_counter'>(4)</span> -- Neural là gì? --. NEURAL LÀ GÌ ?.... 1. Tổng quan về mạng Neural. x1 x2. w1 w2. f. wk xk. y. Đầu ra y = f( w’x+b) b. Đầu vào Hình 1: Mô hình một neural nhân tạo.

<span class='text_page_counter'>(5)</span> 1. Tổng quan về mạng Neural. MẠNG NEURAL. KIẾN TRÚC  Loại: + Truyền thẳng - Một mức - Đa mức + Hồi quy +…  Số lớp ẩn  Số Neural trên từng lớp. -- Mạng Neural --.

<span class='text_page_counter'>(6)</span> 1. Tổng quan về mạng Neural Tính đồng dạng. -- Các đặc trưng mạng Neural --. Tính chất phi tuyến. Khả năng cài đặt VLSI. Tính chất tương ứng. ĐẶC TRƯNG. Tính chất thích nghi Tính chất chấp nhận sai sót. Tính chất đưa ra lời giải có bằng chứng.

<span class='text_page_counter'>(7)</span> 1. Tổng quan về mạng Neural. -- Mạng Neural --. MẠNG NEURAL. QUÁ TRÌNH HỌC  Là quá trình thay đổi trọng số trong mạng sao cho sai số ở đầu ra là nhỏ nhất  Phương pháp học: + Học có giám sát + Học không giám sát + Học tăng cường  Thuật toán: + Perceptron + Lan truyền ngược sai số (Back-Propagation : BP) + Giải thuật di truyền (Genetic Algorithms: GA) +….

<span class='text_page_counter'>(8)</span> Nội dung trình bày 1. Tổng quan về mạng Neural 2. Ứng dụng của ANN 3. Ví dụ cài đặt.

<span class='text_page_counter'>(9)</span> 2. Ứng dụng của ANN. -- Các ứng dụng chính --. ANN NHẬN DẠNG. DỰ BÁO.  Chữ viết (in, tay,...).  Lũ.  Mặt người.  Sự cố biến áp.  Giọng nói.  Tăng trưởng kinh tế. …. ….

<span class='text_page_counter'>(10)</span> Nội dung trình bày 1. Tổng quan về mạng Neural 2. Ứng dụng của ANN 3. Ví dụ cài đặt.

<span class='text_page_counter'>(11)</span> -- Áp dụng giải thuật BP --. 3. Ví dụ cài đặt. ÁP DỤNG GIẢI THUẬT BACK-PREPAGATION (BP) ĐỂ XÂY DỰNG MẠNG NEURAL THỰC HIỆN DỰ ĐOÁN KẾT QUẢ CỦA PHÉP CỘNG HAI SỐ THỰC. Perceptron … GA Genetic Algorithms. N N A …. …. BP. Back-Propagation.

<span class='text_page_counter'>(12)</span> -- Áp dụng giải thuật BP --. 3. Ví dụ cài đặt. 1. 2. 3. TẬP MẪU. KẾT QUẢ. THIẾT KẾ & CÀI ĐẶT. (0.1,0.2) = 0.3 (0.1,0.1) = 0.2 (0.2,0.1) = 0.3 (0.5,0.4) = 0.9 (0.2,0.8) = 1.0 (0.1,0.9) = 1.0 (0.2,0.6) = 0.8. (0.4,0.6) = ? (0.1,0.1) = ? (0.1,0.3) = ? (0.3,0.4) = ?. Mạng 3 lớp: • 2 nút nhập • 2 nút ẩn • 1 nút xuất Phương pháp học: giám sát Hàm truyền: Sigmoid.

<span class='text_page_counter'>(13)</span> -- Áp dụng giải thuật BP --. 3. Ví dụ cài đặt KHAI KHAI BÁO BÁO class CBPNet { public: CBPNet(); ~CBPNet() {}; float Train(float, float, float); float Run(float, float); private: float m_fWeights[3][3]; float Sigmoid(float); };.

<span class='text_page_counter'>(14)</span> -- Áp dụng giải thuật BP --. 3. Ví dụ cài đặt. CBPNet(). Khởi tạo giá trị đầu vào của trọng số các liên kết.. Train(). Thực hiện quá trình học từ đó rút ra được trọng số của các liên kết trong hàm truyền.. Run(). Dựa vào trọng số đã tìm được trong quá trình học và hàm truyền  kết quả nội suy. Sigmoid(). Hàm truyền: ta sử dụng hàm Sigmoid. 1 y 1  e n.

<span class='text_page_counter'>(15)</span> -- Áp dụng giải thuật BP --. 3. Ví dụ cài đặt Đầu vào. Xử lý. Kết quả. DEMO.

<span class='text_page_counter'>(16)</span>

<span class='text_page_counter'>(17)</span>