Upload
lua
View
120
Download
14
Embed Size (px)
DESCRIPTION
سلسلة محاضرات يقدمها الدكتور جمال بحيري لطلاب قسم الحاسب الألي مقرر : شبكات عصبية
Citation preview
الشبكات العصبيـــــــــــــةNeural Networks
) آلي ) حاسب الرابعة الفرقة
المقرر أستاذبحيري/ محمد جمال د
المحاضرة السابعـــــــــــة
ترابـــــــــــــــط العينــــــــــــــة
Pattern Association
ترابط العينةPattern Association
التابعة التعلم:• العينات بين ترابطات تشكيل عملية هو. واحد لصنف
ربط • على تعمل االنسان ذاكرة أن أرسطو الحظ لقد : و ) األفكار مثال بعضها مع المتشابهة العناصر
تحدث( التي لتلك معاكسة تكون قد التي و األحاسيس . التعلم مرحلة خالل النجاح أو التقارب من @ شيئا
تابعة • ما بعالقات ببعضها المشتركة العينات تكون قد : العشب ) رائحة مثال له @ قريبا @ نموذجا أو الصنف لنفسشعور أو صورة مع تتشارك أن يمكن @ حاليا المحصود
ما(.
ترابط العينةPattern Association
) مسألة ) يعتبر العينات من مجموعة أو عينة إستذكار إن. تلقائي ترابط
التي مثال:- الموسيقى، قراءة تعلمنا قد أننا نفرضالنوتة أو المطبوعة، النوتة من القراءة مع تترابط
مع أو ، الموسيقية اآللة مفاتيح لوحة على الموجودة. الموسيقية اآللة أصابع
التي- الموسيقية للنوتة الشكل نفس نرى ألن نحتاج لن V إذاالصحيح الترابط على نحصل لكي باألصل منها تعلمنا
قادرة ستكون فإنها نوتات عدة النوتة كانت إذا ، للعينات ) نوتات ) عدة على الحصول إجل من التنبؤ التخمين على
) أجل ) من التنبؤ التخمين على قادرة ستكون فإنها. جديدة نوتة أجل من جيدة استجابة على الحصول
ترابط العينةPattern Association
•: أخر من ) مثال إما شخص تمييز على القدرة ) عن @ جيدا تعبيرا صورة خالل من أو أخر شخص. الجديدة الحاالت لتمثيل البشرية الذاكرة سعة
التقليدية • الحاسب لبرامج بالنسبة المهمة هذه. @ جدا صعبة
المهمة • تكون االصطناعية العصبية الشبكات معسهلة.
البسيطة • العصبية الشبكات لبعض نتطرق سوفالمسائل لحل تتعلم أن يمكن التي و @ نسبيا
. العينات ترابط أو بتشارك المتعلقة
ترابط العينةPattern Association
أحد • التشاركية الذاكرة ذات العصبية الشبكات تعتبرحل في تفيد التي العصبية الشبكات أنواع أهم
استرجاع و تخزين من الكمبيوتر هندسة مشاكلعلى االعتماد بدون الترابط على المعتمدة للمعطيات
. التخزين عنوانالعصبية • الشبكة في المعلومات تخزين يتم حيث
مبدأ على باالعتماد النظام في موزعة بطريقةاألوزان.
وحيدة • شبكات هي التشاركية الذاكرة شبكاتعليها تعتمد محددة أوزان على تعتمد و ، الطبقة
. للعينة االرتباطات مجموعة لتخزين الشبكة
ترابط العينةPattern Association
الخرج • و الدخل أشعة من بزوج ترابط كل يعبر(s : t)
•: الربط ذواكر من نوعين يوجدالشعاع 1. لدينا كان للشعاع (t)إذا (s)مطابق
) هذه ) نسمي عندئذ به المقترنة المترابطة. الذاتية االقتران ذاكرة ذات بالشبكة الشبكة
األزواج 2. كانت إذا الزوج (s : t)أما عن s)مختلفة: s) بسم الشبكات هذه مثل تدعى عندئذ
. التخالفي االقتران ذاكرة الذاكرة شبكات
ترابط العينةPattern Association
الحالتين • من حالة أي فيالسابقتين:
أزواج على فقط تتعلم لن الشبكة إنبل المحددة، التدريب عينات
الصحيح الخرج تعطي أن بإمكانهادخل منبة تقديم تم لو و حتى
الذي للدخل مطابق غير أو مطابق. الشبكة عليه تدربت
خوارزميات تدريب لترابط العينة
Training Algorithms for Pattern Association
قاعدة هيب من أجل ترابط العينةHebb Rule for Pattern Association
هذه الطريقة هي األسهل و األكثر •شيوعا في تحديد قيم األوزان من أجل
الشبكات العصبية ذات الذاكرة التشاركية.
هذه الطريقة شبية جدا بالطريقة التي •قدمناها قبل ذلك و لكنها موسعة عن
الخوارزمية السابقة.سوف نستخدم الجداءات الخارجية •
لألشعة لتحديد قيم األوزان.
(Algorithm)الخوارزمية
صفرية 1. بقيم األوزان (wij=0)هيئ(i=1,2,…,n( ,)j=1,2,…,m)حيث: ، nحيث: الدخل وحدات وحدات mعدد عدد
الخرج.التدريب 2. أشعة من زوج كل أجل من
: ) خرج ) : من ( s : t)دخل الخطوات 5→3نفذالتدريب • دخل إلى الدخل وحدات تنشيطات ضع
بالشكل: I = 1,2,…,nحيث (xi = si)الحاليالخرج • إلى الخرج وحدات تنشيطات ضع
بالشكل: j = 1,2,…,mحيث (yj = tj)الفعلي
(Algorithm)الخوارزمية
.5: العالقة وفق األوزان عدلWij)new( = wij)old( + xi.yj
(i=1,2,…,n( ,)j=1,2,…,m)حيث:
هيب قاعدة مع شاء إن أخرى مرة عودة لنا
Outer)الجداءات الخارجية Products)
هيب • قاعدة باستخدام األوزان ايجاد يمكن.) صفرية) بأوزان نبدأ
من • الخارجي الجداء وفق أيضا إيجاده يمكن.) خرج ) : دخل أشعة من أزواج أجل
•: شعاعين من الخارجي الجداء يتكون.1 : الدخل )s = )s1, s2, …, si, …, snشعاع
.2: الخرج )t = )t1, t2, …, tj, … tm شعاع
Outer)الجداءات الخارجية Products)
• : مصفوفات هيئة على الخرج و الدخل أشعة مثلنا لوبالشكل الدخل مصفوفة تمثل سطر (n x 1)حيث
لـ .S=STبالنسبة
بالشكل الخرج أشعة تمثل بوفق (x m 1)و عمود:-T = tالمصفوفة بالتالي و
mnjn1n
miji1i
m1j111
mj1
n
i
1
t.st.st.s
t.st.st.s
t.st.st.s
ttt.
s
s
s
T.S
Outer)الجداءات الخارجية Products)
الترابط • تخزين على يعمل المصفوفات استخدام إن(s : t). هيب لقاعدة بالنسبة
الترابطات من مجموعة ,s)p( : t)p(, p = 1, 2لتخزين…,p : حيث
األوزان • مصفوفة المجموعات هذه أجل من تكون وw= {wij}: بالعالقة
و هذا يسمى الجداء الخارجي للمصفوفات المطلوبة•
pt,,pt,,ptpt
and
ps,,ps,,psps
mj1
ni1
P
1pjiij pt.psw
Original Delta Rule
األصلية دلتا قاعدةالمخارج • ذات الشبكات في دلتا قاعدة تستخدم
المتعددة.الخرج • لوحدات تفعيل تابع دلتا قاعدة تستخدم
بين الفرق مربع تصغير مهمته واحدي، تابع هو. خرجها و الشبكة دخل
•-: العالقة نستخدم الشبكة خرج لحساب•-: في األوزان لتحديث المستخدمة العالقة أما
ij
. ; 1,..., ; 1,...,
the change of weights are:
w . .
ij ij j j i
j j i
w new w old t y x i n j m
and
t y x
i
ijij w.xy
Extended Delta Rule
الموسعة األصلية دلتا قاعدةوحدة • إلى الدخل من الوزن تحسين أو تطوير إن
-: التالية بالعالقة يعطى الخرج jijjij in_yf.x.yt.w
التخالفي الترابط ذات العصبية الشبكاتHetero Associative Memory Neural Networks
الذاكرة • ذات العصبية الشبكات مميزاتالتشاركية:-
األوزان 1. تحديد على القدرة
تخزين 2. على العينات (p)القدرة من مجموعةبالزوج ترابط كل عن يعبر و بعضها مع المترابطة
s)p(, t)p( حيثP=1,…,pشعاع- كل أن من ))s)pبفرض (nمكون مدخل –
شعاع- كل من ))t)pبفرض (mمكون مدخل – قاعدة- استخدام يمكن الشبكات من النوع هذا مع
. التعلم في دلتا قاعدة ستخدام أو التعلم في هيبانظر البنية الهندسية بالشكل التالي.1.
لذاكرة لشبكات الهندسية البنيةالتخالفي الترابط
X1
Xn
Xi
Ym
Yj
Y1
W1,1
W1,j
Wi,1
Wi,j
Wn,1
Wi,mWn,j
Wn,m
W1,m
( Procedure)طريقة التطبيق
قاعدة 1. أو قيب قاعدة باستخدام إما األوزان تهيئةدلتا.
.2 ) الخطوات ) نفذ بالجدول صف شعاع كل أجل من3→5.
لقيمة 3. مساوية الدخل طبقة وحدات تنشيطات ضعالحالي الدخل .Xiشعاع
بالعالقة : 4. الخرج وحدة دخل احسب
.5: بالعالقة الخرج وحدات تنشيطات حدد
iji
ij w.xin_y
0in_yif1
0in_yif0
0in_yif1
y
j
j
j
j
( Procedure)طريقة التطبيق
الخطوة القطبية ) :5تابع ثنائي التمثيل أجل منللخرج(
من • يكون الثنائي بالشكل ممثل خرج أجل من-: العالقة وفق تنشيط تابع استخدام المناسب
على • المعتمد التنشيط تابع استخدام حال في أماذاكرة ذات الشبكات في المستخدم و العتبة جهد
االتجاه ثنائية الشبكات (BAM)التشارك أجل من و-: بالعالقة عنها فيعبر التكرارية
0xif0
0xif1xf
jj
jjj
jj
j
in_yif1
in_yify
in_yif1
y
بسيطة أمثلةتخالفي ترابط ذاكرة ذات عصبية شبكة تدريب
هيب قاعدة باستخداملنفترض أن الشبكة قد تدربت •
لتخزين الجدول التالي من أزواج ,s)s1, s2, s3أشعة الدخل و الخرج
s4( : t)t1, t2(:
انظر الجدول التالي:•
بسيطة أمثلةتخالفي ترابط ذاكرة ذات عصبية شبكة تدريب
هيب قاعدة باستخدامS1 S2 S3 S4 t1 t2
1st )1, 0, 0, 0( 1st )1, 0(
2nd )1, 1, 0, 0( 2nd )1, 0(
3rd )0, 0, 0, 1( 3rd )0, 1(
4th )0, 0, 1, 1( 4th )0, 1(
بسيطة أمثلةتدريب شبكة عصبية ذات ذاكرة ترابط تخالفي باستخدام قاعدة
هيبشكل • على @ اعتمادا المسألة هذه اعتبار يمكن
. العينات تصنيف مسألة خرجهاقاعدة • على الشبكة هذه تدريب في نعتمد سوف
هيب.•-: بالعالقة األوزان حساب يتم سوف
jiij
jiijij
t.sw:where
t.soldwneww
مثال لشبكة الترابط التخالفي
X1
X2
X3
X4
Y1
Y2
w11
w12
w21
w31
w22
w41
w32
w42
التدريــــــــــــــــب
•. هيب لخوارزمية طبقاعملية • من خطوة كل في األوزان فقط نظهر سوف
. ألخرى خطوة من تتغير التي المعالجةالخطوات:-•
صفرية 1. بقيم األوزان تهيئة
.2 : األول التدريب زوج أجل )s:t )1, 0, 0, 0(: )1, 0من
.3X1 = 1, x2 = x3 = x4 = 0
.4 y1 = 1 and y2 = 0
.5W11)new( = w11)old( + x1.y1 = 0 + 1 = 1
التدريــــــــــــــــب
•) صفر) جميعها األوزان باقي•: أن ذلك معن
00
00
00
01
w
التدريــــــــــــــــب.2 : الثاني التدريب زوج أجل )s:t )1, 1, 0, 0(: )1, 0من
.3X1 = 1, x2 =1, x3 = x4 = 0
.4 y1 = 1 and y2 = 0
.5W11)new( = w11)old( + x1.y1 = 0 + 1 = 1
W21)new( = w21)old( + x2.y1 = 0 + 1 = 1
•: .) أن) ذلك معن صفر جميعها األوزان باقي
00
00
01
01
w
التدريــــــــــــــــب.2 : الثالث التدريب زوج أجل )s:t )0, 0, 0, 1(: )0, 1من
.3X4 = 1, x1= x2 = x3 = 0
.4 y1 = 0 and y2 = 1
.5W42)new( = w42)old( + x4.y2 = 0 + 1 = 1
: .) أن) ذلك معن صفر جميعها األوزان باقي
10
00
00
00
w
التدريــــــــــــــــب.2 : الرابع التدريب زوج أجل )s:t )0, 0, 1, 1(: )0, 1من
.3X3 = x4=1, x1 = x2 = 0
.4 y1 = 0 and y2 = 1
.5W32)new( = w32)old( + x3.y2 = 0 + 1 = 1
W42)new( = w42)old( + x4.y2 = 0 + 1 = 1
: .) أن) ذلك معن صفر جميعها األوزان باقي
10
10
00
00
w
التدريــــــــــــــــبأزواج 2. عن المعبرة الكلية األوزان مصفوفة تكون و
و السابقة المصفوفات جمع ناتج هي األربعة العينة-: التالي الشكل على تكون التي
20
10
01
02
W
10
10
00
00
10
00
00
00
00
00
01
01
00
00
00
01
W
تدريب الشبكة ذات ذاكرة الترابط التخالفي باستخدام قاعدة هيب و باستخدام الجداءات الخارجية
و • النتائج نفس على نحصل سوف بالمالحظةمن أسهل يكون أن ممكن أخر باسلوب لكن
. السابق االسلوبالدخل • شعاع عن نعبر سوف الطريقة هذه في
من المكونة المصفوفة .(n x 1)وفق سطر المصفوفة • وفق الخرج شعاع عن نعبر سوف و
من .(x m 1)المكونة عمود • ) جداء ) ضرب هي األوزان مصفوفة تكون و
. المصفوفتين هاتين
تابع التدريـــــــــب•: األول الخرج و الدخل شعاع اآلن لنأخذ
)1,0,0,0( & )1,0(•-: يلي كما الوزن مصفوفة حساب يكون و
W = ST.t
الدحل شعاع عن المعبرة الوزن مصفوفة هي و. تخزينها يتم أن يجب التي و األول
00
00
00
01
01.
0
0
0
1
w
تابع التدريـــــــــب•: الثاني الخرج و الدخل شعاع اآلن لنأخذ
)1,1,0,0( & )1,0(•-: يلي كما الوزن مصفوفة حساب يكون و
W = ST.t
الدحل شعاع عن المعبرة الوزن مصفوفة هي و. تخزينها يتم أن يجب التي و الثاني
00
00
01
01
01.
0
0
1
1
w
تابع التدريـــــــــب•: الثالث الخرج و الدخل شعاع اآلن لنأخذ
)0,0,0,1( & )0,1(•-: يلي كما الوزن مصفوفة حساب يكون و
W = ST.t
الدحل شعاع عن المعبرة الوزن مصفوفة هي و. تخزينها يتم أن يجب التي و الثالث
10
00
00
00
10.
1
0
0
0
w
تابع التدريـــــــــب•: الرابع الخرج و الدخل شعاع اآلن لنأخذ
)0,0,1,1( & )0,1(•-: يلي كما الوزن مصفوفة حساب يكون و
W = ST.t
الدحل شعاع عن المعبرة الوزن مصفوفة هي و. تخزينها يتم أن يجب التي و الرابع
10
10
00
00
10.
1
1
0
0
w
تابع التدريـــــــــبأزواج 2. عن المعبرة الكلية األوزان مصفوفة تكون و
و السابقة المصفوفات جمع ناتج هي األربعة العينة-: التالي الشكل على تكون التي
20
10
01
02
W
10
10
00
00
10
00
00
00
00
00
01
01
00
00
00
01
W
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
إنتاج • على الشكة قابلية باختبار اآلن سنقومتدريب أشعة كل أجل من الصحيح الخرج
الدخل.•-: التالي التنشيط تابع نستخدم سوف
الختبار • اإلجراء هذا خطوات باتباع اآلن سنقوم-: السابق المثال
0xif0
0xif1xf
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
الخطوات:-وصلنا • التي األوزان مصفوفة على نعتمد سوف
-: هي و سابقا لها
نفذ 2. األول التدريب زوج أجل من و اآلن.5→3الخطوات
)X = )1, 0, 0, 0ضع 3.
20
10
01
02
w
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابع.4-: بالعالقة الخرج وحدات دخل نحسب
التفعيل 5. تابع على @ اعتمادا الشبكة خرج بإيجاد اآلن نقوم: الشكل وفق المعرف
من 6. الصحيحة االستجابة عن تعبر النتيجة هذه و. األولى التدريب عينة أجل
020100001w.xw.xw.xw.xin_y
200001021w.xw.xw.xw.xin_y
4243232221212
4143132121111
00fin_yfy
12fin_yfy
22
11
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
الخطوات:-نفذ 2. الثاني التدريب زوج أجل من و اآلن
.5→3الخطوات
)X = )1, 1, 0, 0ضع 3.
.4-: بالعالقة الخرج وحدات دخل نحسب 020100101w.xw.xw.xw.xin_y
300001121w.xw.xw.xw.xin_y
4243232221212
4143132121111
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابعتابع 5. على @ اعتمادا الشبكة خرج بإيجاد اآلن نقوم
: الشكل وفق المعرف التفعيل
االستجابة 6. عن تعبر النتيجة هذه و. الثاني التدريب عينة أجل من الصحيحة
00fin_yfy
13fin_yfy
22
11
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابعنفذ 2. الثالث التدريب زوج أجل من و اآلن
.5→3الخطوات
)X = )0, 0, 0, 1ضع 3.
.4-: بالعالقة الخرج وحدات دخل نحسب 221100000w.xw.xw.xw.xin_y
001001020w.xw.xw.xw.xin_y
4243232221212
4143132121111
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابعتابع 5. على @ اعتمادا الشبكة خرج بإيجاد اآلن نقوم
: الشكل وفق المعرف التفعيل
االستجابة 6. عن تعبر النتيجة هذه و. الثالث التدريب عينة أجل من الصحيحة
12fin_yfy
00fin_yfy
22
11
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابعنفذ 2. الرابع التدريب زوج أجل من و اآلن
.5→3الخطوات
)X = )0, 0, 1, 1ضع 3.
.4-: بالعالقة الخرج وحدات دخل نحسب 321110000w.xw.xw.xw.xin_y
001011020w.xw.xw.xw.xin_y
4243232221212
4143132121111
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابعتابع 5. على @ اعتمادا الشبكة خرج بإيجاد اآلن نقوم
: الشكل وفق المعرف التفعيل
االستجابة 6. عن تعبر النتيجة هذه و. الرابع التدريب عينة أجل من الصحيحة
13fin_yfy
00fin_yfy
22
11
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
يعطي المصفوفات مبدأ استخدام أن الحظنا كما. الدخل عينات مع التعامل في أسهل امكانية
السابق األسلوب بنفس السابق المثال حل سنعيد ) الخطوات) وفق المصفوفات استخدام
التالية:-لها • وصلنا التي األوزان مصفوفة على نعتمد سوف
-: هي و سابقا
الخطوات 2. نفذ األول التدريب زوج أجل من و اآلن3→5.
20
10
01
02
w
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابع.3X = )1, 0, 0, 0(
.4: التالية العالقة باستخدام
0,2
20
10
01
02
.0,0,0,1
getwe
in_y,in_yW.X 21
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
-: الخطوات تابع.5: الخرج وحدتي أجل من التفعيل تابع خرج نحسب
f)2( = 1, f)0( =0 = Y = )1,0(
أخر بأسلوب أو
0,10,2
20
10
01
02
.0,0,0,1
yin_y,in_yW.X 21
اختبار شبكة الذاكرة ذات الترابط التخالفي باستخدام دخل التدريب
الخرج تنشيط شعاع أن النتيجة هذه من نالحظ وو ، األول التدريب عينة خرج لشعاع مطابقباقي استجابات على نحصل مشابه بشكل
: لدينا يكون و الدخل أشعة
العينات لجميع استجابت الشبكة أن نالحظ و. صحيح بشكل
0,13,0W.1,1,0,0
1,02,0W.1,0,0,0
0,10,3W.0,0,1,1
اختبار شبكة الذاكرة ذات الترابط من أجل دخل مشابه لدخل التخالفي
تدريباالختبار شعاع لدينا أنه و )X = )0,1,0,0لنفرض
األصلي التدريب شعاع عن يختلف Sالذيمن )1,1,0,0( = األول العنصر في باختالف
:و أن نجد التدريب خطوات باتباع
الدخل عينة تربط الشبكة فإن بالتالي و. لديها المحزن الخرج مع الجديد
0,10,1W.0,0,1,0
اختبار شبكة الذاكرة ذات الترابط من أجل دخل غير مشابه التخالفي
لدخل تدريباالختبار شعاع لدينا أنه و )X = )0,1,1,0لنفرض
عينات جميع عن يختلف أنه نالحظمنه بعنصرين السابقة .التدريب
: أن نجد التدريب خطوات باتباع
ليس العينة هذه عن الناتج الخرج أن نالحظ والتدريب عينات أجل من للشبكة معروفا~
السابقة.
1,11,1W.0,1,1,0
اختبار شبكة الذاكرة ذات الترابط التخالفي المستخدمة لتمثيل هجين للبيانات )ثنائي/ثنائي القطبية(
الترابط • تخزين على يعمل المصفوفات استخدام إن(s : t). هيب لقاعدة بالنسبة
الترابطات من مجموعة ,s)p( : t)p(, p = 1, 2لتخزين…,p : حيث
أشعة • من المشكلة الوزن مصفوفة باستخدام وتعطى الوزن مصفوفة فإن المقابلة، القطبية ثنائية
-: التالي بالشكل
pt,,pt,,ptpt
and
ps,,ps,,psps
mj1
ni1
P
1pjiij 1pt2.1ps2w
اختبار شبكة الذاكرة ذات الترابط التخالفي المستخدمة لتمثيل هجين للبيانات )ثنائي/ثنائي القطبية(
المثال • في المستخدمة التدريب أشعة أجل من والسابق:
•-: بالشكل الناتجة األوزان مصفوفة تكون و
s 1 1,0,0,0 : t 1 1,0
s 2 1,1,0,0 : t 1 1,0
s 3 0,0,0,1 : t 1 0,1
s 4 0,0,1,1 : t 1 0,1
44
22
22
44
11
11
11
11
.
1111
1111
1111
1111
Wt.SW T
اختبار شبكة الذاكرة ذات الترابط التخالفي المستخدمة لتمثيل ثنائي القطبية
الترابط • تخزين على يعمل المصفوفات استخدام إن(s : t). هيب لقاعدة بالنسبة
الترابطات من مجموعة ,s)p( : t)p(, p = 1, 2لتخزين…,p : حيث
أشعة • من المشكلة الوزن مصفوفة باستخدام وتعطى الوزن مصفوفة فإن المقابلة، القطبية ثنائية
-: التالي بالشكل
pt,,pt,,ptpt
and
ps,,ps,,psps
mj1
ni1
P
1pjiij pt.psw
اختبار شبكة الذاكرة ذات الترابط التخالفي المستخدمة لتمثيل ثنائي القطبية
المثال • في المستخدمة التدريب أشعة أجل من والسابق:
•-: بالشكل الناتجة األوزان مصفوفة تكون و
1,11t:1,1,1,11s
1,11t:1,1,1,11s
1,11t:1,1,1,12s
1,11t:1,1,1,11s
44
22
22
44
11
11
11
11
.
1111
1111
1111
1111
Wt.SW T
باستخدام األوزان إيجاد طريقةالخارجية الجداءات
دخل • شعاع نأخذ نوجد (s)سوف و خرج شعاع ثم wiمع : يكون ذلك W = w1+w2+…+wpبعد
يعطى • األولى العينة زوج تخزن التي الوزن مصفوفة إن: األشعة لهذه الخارجي بالجداء
S = )1, -1, -1, -1( t = )1, -1(
wi = siT.ti)p(
: الوزن مصفوفة تكون و
11
11
11
11
11.
1
1
1
1
w1
باستخدام األوزان إيجاد طريقةالخارجية الجداءات
•: الثاني الزوج لتخزين مشابه بشكل و S = )1, 1, -1, -1( t = )1, -1(
wi = siT.ti)p(
: الوزن مصفوفة تكون و
11
11
11
11
11.
1
1
1
1
w2
باستخدام األوزان إيجاد طريقةالخارجية الجداءات
•: الثالث الزوج لتخزين مشابه بشكل و S = )-1, -1, -1, 1( t = )-1, 1(
wi = siT.ti)p(
: الوزن مصفوفة تكون و
11
11
11
11
11.
1
1
1
1
w3
باستخدام األوزان إيجاد طريقةالخارجية الجداءات
•: الرابع الزوج لتخزين مشابه بشكل و S = )-1, -1, 1, 1( t = )-1, 1(
wi = siT.ti)p(
: الوزن مصفوفة تكون و
11
11
11
11
11.
1
1
1
1
w4
باستخدام األوزان إيجاد طريقةالخارجية الجداءات
ناتج • هي النهائية األوزان مصفوفة فإن بالتالي و: السابقة الجزئية المصفوفات جمع
44
22
22
44
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
W
تمت بحمد الله تعالى و فضله