я использую правила генерации системы NEFClass.
Цель которого создать k нейронов правил NEFClass.
если кратко, то работает по следующему принципу:
1. Выбираем образец
2. Для каждого входного нейрона, находим функцию принадлежности
3. Если по-прежнему число узлов правил k меньше kmax и не существует узла правила R, то создаем такой узел и соединяем его с выходным узлом ci, если ti=1
4. Если еще остались необработанные образцы в L и k<=kmax, то переходим на шаг 1, а иначе стоп.
5. Определяем базу правил по одной из трех следующих процедур:
“Простое” обучение правил: оставляем только первые k правил.
“Лучшее” обучение правил: обрабатываем образцы в L и накапливаем активации каждого нейрона правил для каждого класса образцов, которые были распространены. Если нейрон правила R показывает большее накопление активации для класса Cj, чем для класса CR, который был специфицирован для следствия правила, тогда изменяем следствие R на Cj, то есть соединяем R с нейроном выхода cj.
Оставляем k нейронов правил с наивысшими значениями VR и удаляем другие нейроны правил из системы NEFClass.
“Лучший для каждого класса” алгоритм обучения: действуем также как и в предыдущем случае, но оставляем для каждого класса Cj те лучшие
[k/m] правил, следствия которых представляют класс Cj (где [x] – целая часть от x).
p.s. Могу дополнить с формулами:)
Цель которого создать k нейронов правил NEFClass.
если кратко, то работает по следующему принципу:
1. Выбираем образец
2. Для каждого входного нейрона, находим функцию принадлежности
3. Если по-прежнему число узлов правил k меньше kmax и не существует узла правила R, то создаем такой узел и соединяем его с выходным узлом ci, если ti=1
4. Если еще остались необработанные образцы в L и k<=kmax, то переходим на шаг 1, а иначе стоп.
5. Определяем базу правил по одной из трех следующих процедур:
“Простое” обучение правил: оставляем только первые k правил.
“Лучшее” обучение правил: обрабатываем образцы в L и накапливаем активации каждого нейрона правил для каждого класса образцов, которые были распространены. Если нейрон правила R показывает большее накопление активации для класса Cj, чем для класса CR, который был специфицирован для следствия правила, тогда изменяем следствие R на Cj, то есть соединяем R с нейроном выхода cj.
Оставляем k нейронов правил с наивысшими значениями VR и удаляем другие нейроны правил из системы NEFClass.
“Лучший для каждого класса” алгоритм обучения: действуем также как и в предыдущем случае, но оставляем для каждого класса Cj те лучшие
[k/m] правил, следствия которых представляют класс Cj (где [x] – целая часть от x).
p.s. Могу дополнить с формулами:)