Maximizing competition in a biologically plausible neural network A. K. Kermani, F. H. Hamker, V. G. Spitsyn
Material type:
ArticleContent type: Текст Media type: электронный Other title: Максимизация конкуренции в биологически правдоподобной нейронной сети [Parallel title]Subject(s): нейронные сети | Хэбба правило обучения | антихэббовское обучение | Ойя правило | ковариантное обучение | конкуренцияGenre/Form: статьи в журналах Online resources: Click here to access online
In:
Вестник Томского государственного университета. Управление, вычислительная техника и информатика № 4. С. 53-60Abstract: Целью данной работы является максимизация конкуренции среди биологически правдоподобных нейронов для получения максимального количества рецептивных полей. Биологически правдоподобная нейронная сеть в процессе обучения должна выучить различные независимые компоненты уникального входного сигнала. Сеть содержит 100 выходных нейронов, каждый из которых получает на вход 800 значений яркостей пикселей фрагментов изображений. Метод обучения нейронной сети основан на правиле Хебба. Для решения задачи максимизации конкуренции применяется антихеббовская модель модификации синаптических связей. Показана важная роль динамической скорости обучения, значение которой возрастает в случае низкого максимального выходного значения нейронов и уменьшается при высоком максимальном выходном значении нейронов. Это приводит к повышению конкуренции и созданию большого количества различных образов, характеризуемых соответствующими рецептивными полями.
Библиогр.: 12 назв.
Целью данной работы является максимизация конкуренции среди биологически правдоподобных нейронов для получения максимального количества рецептивных полей. Биологически правдоподобная нейронная сеть в процессе обучения должна выучить различные независимые компоненты уникального входного сигнала. Сеть содержит 100 выходных нейронов, каждый из которых получает на вход 800 значений яркостей пикселей фрагментов изображений. Метод обучения нейронной сети основан на правиле Хебба. Для решения задачи максимизации конкуренции применяется антихеббовская модель модификации синаптических связей. Показана важная роль динамической скорости обучения, значение которой возрастает в случае низкого максимального выходного значения нейронов и уменьшается при высоком максимальном выходном значении нейронов. Это приводит к повышению конкуренции и созданию большого количества различных образов, характеризуемых соответствующими рецептивными полями.
There are no comments on this title.