Нейрокомпьютинг и его применения в экономике и бизнесе



             

Постановка задачи


Итак, пусть теперь на том же наборе d-мерных данных

\{x^\alpha\}
обучается m линейных нейронов:

y_i=\sum^d_{j=1}w_{ij}x_j\equiv\sum^d_{j=1}\equiv w_i\cdot x (i=1,\ldots,m).

Слой линейных нейронов

Рис. 4.5.  Слой линейных нейронов

Мы хотим, чтобы амплитуды выходных нейронов были набором независимых индикаторов, максимально полно отражающих информацию о многомерном входе сети.




Содержание  Назад  Вперед