Составьте нейронные сети по схемам систем принятия решений. Примите во внимание, что при расчете передаточной функции N1 входные сигналы принимаются элементом N1 с весом, равным обратной величине количества входов этого элемента. Следовательно, эти веса являются весами соответствующих связей в нейронной сети. Выберите передаточную функцию: (fj – значение входного сигнала), если эта сумма превышает порог h . Произведите верификацию сети на основе известных решений по четко заданным ситуациям.

Правильный ответ:

значения весов синапсических связей: ω1= …= ω9= 0,33

значения весов синапсических связей: ω1= 0,25, ω2=…= ω9= 0,33

значения весов синапсических связей: ω1= 0,25, ω2=…= ω9= 0,33

• # Пусть структура нейронной сети задана так (см. рисунок), что не только связей в ней может быть недостаточно, но и количества нейронов может не хватать для правильной трассировки. Выполните трассировку по логическому описанию СПР, добавляя динамически, если необходимо, новые нейроны. Такое добавление приводит к введению новых строк и столбцов в матрицу следования. Приведите окончательный вид такой матрицы. [Большая Картинка] Логическое описание СПР: (y1 ∧ y4) ∧ (y2 ∨ y3) →​ R1, y2 ∨ (y4 ∧ (y2 ∨ y3)) →​ R2, (y1 ∨ y3) ∧ (y2 ∨ y4) →​ R3
• # По логическому описанию СПР составьте описания однослойных логических нейронных сетей. Возможно ли построение по полученному описанию совершенной логической сети? Логическое описание СПР: (y1 ∧y4) ∧(y2 ∨y3) →​ R1, y2 ∨(y4 ∧(y2 ∨y3)) →​ R2, (y1 ∨y3)∧(y2 ∨y4) →​ R3
• # Нейронная сеть, отображающая обучение трем буквам, приведена на рисунке. [Большая Картинка] Показаны веса связей – одинаковые для каждой буквы. Передаточная функция f представляет собой сумму величин возбуждения рецепторов, каждый из которых входит в область экрана, покрываемую эталоном буквы. Для порога распознавания h = 0,8 определите, на какую букву более всего похож вариант возбуждения рецепторов? (1,1) = 0,9, (1,2) = 0,9, (1,3) = 0,9, (2,1) = 1, (2,2) = 0,1, (2,3) = 1, (3,1) = 0,9, (3,2) = 0, (3,3) = 0,1, (4,1) = 0,9, (4,2) = 0, (4,3) = 1, (5,1) = 0,9 (5,2) = 0,9, (5,3) = 0,1.
• # Исследуйте возможность индуктивного логического вывода на основе фактографической нейронной сети Антрополога-Исследователя для дополнения понятийной нейронной сети, представленной ниже. [Большая Картинка] [Большая Картинка] Можно ли дополнить понятийную нейронную сеть правилом вывода: дедушка(X,Y) :- мужчина Х, родитель(X,P), родитель(P,Y)?
• # Постройте логическую нейронную сеть "железнодорожная рулетка" для различных вариантов V1 и V2 скорости паровозов, влияющей на величину гонорара линейных. Воспользуйтесь передаточной функцией \begin{array}{l} V=\sum_j V_j \\ V_i = \left \{ \begin{array}{ll} V, & \mbox{если } V \ge h \\ 0, & \mbox{в противном случае} \end{array}\right \\ h=0,5 \end{array} V1 = 60 км/ч, V2 = 90 км/ч. А1 ∧ В1 →​ R1 = <Отправить обоих линейных на середину перегона, заплатив гонорар $230>; A1 ∧ В2 →​ R2 = <Отправить даму с приветственным платочком, заплатив гонорар $70>; A2 ∧ В1 →​ R3 = <Отправить линейного с подстилочной соломкой, заплатив гонорар $80>; А2 ∧ В2 →​ R4 = <Отправить обоих линейных на середину перегона, заплатив гонорар $260>.