SaveText.Ru

Без имени
  1. Необходимость нормализации выборок данных обусловлена самой природой используемых переменных нейросетевых моделей. Будучи разными по физическому смыслу, они зачастую могут сильно различаться между собой по абсолютным величинам. Так, например, выборка может содержать и концентрацию, измеряемую в десятых или сотых долях процентов, и давление в сотнях тысяч паскаль. Нормализация данных позволяет привести все используемые числовые значения переменных к одинаковой области их изменения, благодаря чему появляется возможность свести их вместе в одной нейросетевой модели.
  2. Чтобы выполнить нормализацию данных, нужно точно знать пределы изменения значений соответствующих переменных (минимальное и максимальное теоретически возможные значения). Тогда им и будут соответствовать границы интервала нормализации. Когда точно установить пределы изменения переменных невозможно, они задаются с учетом минимальных и максимальных значений в имеющейся выборке данных.
  3. Способы нормализации: 1)Линейная  2)Нелинейная
  4. Экспериментальные исследования подтвердили необходимость применения нормализации векторов при малой размерности пространства. Такая нормализация может проводиться двумя способами:
  5. • переопределением компонентов вектора в соответствии с формулой
  6.  • увеличением размерности пространства на одну координату с таким выбором значения компонента вектора, чтобы  
  7. При использовании этого способа нормализации, как правило, возникает необходимость предварительного масштабирования компонентов вектора х в пространстве для того, чтобы могло выполняться равенство (9.9).
  8. С увеличением размерности входного Вектора эффект нормализации становится все менее заметным, и при больших объемах сети она перестает оказывать влияние на процесс самоорганизации.
  9.  

Share with your friends:

Распечатать