Помощь студентам в учебе и написании работ. Заказать дипломную, курсовую, работу. Никольский Помощь

Готовая задача: классификация сигналов нейронной сетью Хэмминга

Загружена: 23.02.2026 10:42

Классификация входного вектора B по четырём эталонным шаблонам A1–A4 с использованием сети Хэмминга и последующей селекции через MAXNET. Приведены пошаговые численные расчёты весов, смещения, формула обратных связей и готовый Python-код с визуализацией — полезно для практических занятий по нейросетям.

Содержание

Системы искусственного интеллекта

Вариант №2

Содержание задания

Нейронная сеть Хэмминга обучена классифицировать входной сигнал B к одному из шаблонных сигналов А1, А2, А3 и А4. Весовые коэффициенты W первого слоя сети при настройке инициализированы значениями равными половине от значений компонентов векторов шаблонных сигналов (A1, A2, A3, A4). Смещение нейронов первого слоя равно 0,5n, где n - размерность вектора В. Весовые коэффициенты E отрицательных обратных связей равны [(1/m)-0,1], где m - количество нейронов первого слоя. Требуется классифицировать входной сигнал В к одному из шаблонов.

Исходные данные:

А1 = (+1, -1, +1, +1, +1, +1, +1, -1, -1, +1, -1)

А2 = (+1, -1, +1, -1, +1, -1, +1, +1, -1, +1, -1)

А3 = (+1, -1, -1, -1, +1, +1, +1, -1, +1, -1, +1)

А4 = (+1, +1, -1, -1, -1, +1, -1, -1, +1, -1, +1)

B = (-1, +1, +1, -1, -1, -1, -1, -1, +1, -1, +1)

Подробное описание

📘 О чем эта работа

Задача посвящена распознаванию входного бинарного вектора B среди четырёх шаблонных сигналов A1, A2, A3, A4 с использованием архитектуры Хэмминга и сети-отборщика MAXNET. Объект — векторы с компонентами ±1, предмет — процедура инициализации весов, расчёта выходов первого слоя и последовательного подавления конкурентов в MAXNET.

📚 Что внутри

В работе приведены конкретные исходные векторы и полные вычисления:

Шаблоны: A1=(+1,-1,+1,+1,+1,+1,+1,-1,-1,+1,-1), A2=(+1,-1,+1,-1,+1,-1,+1,+1,-1,+1,-1), A3=(+1,-1,-1,-1,+1,+1,+1,-1,+1,-1,+1), A4=(+1,+1,-1,-1,-1,+1,-1,-1,+1,-1,+1).
Вход: B=(-1,+1,+1,-1,-1,-1,-1,-1,+1,-1,+1), размерность n=11.
Инициализация весов первого слоя: W_i = A_i / 2 (каждый компонент шаблона делится на 2), смещение bias = 0.5 × n = 5.5.
Расчёт выходов первого слоя по формуле output = Σ W_i * B_i + bias; в коде получены значения A1: 2.0, A2: 3.0, A3: 5.0, A4: 8.0.
Параметры MAXNET: число нейронов m=4, коэффициент отрицательной обратной связи E = (1/m) − 0.1 = 0.15, выполнено 3 итерации для усиления победителя.
Итог: по результатам итераций MAXNET выбран шаблон A4.
Приложен рабочий Python-код с использованием NumPy для расчётов и Matplotlib для построения столбчатой диаграммы выходов первого слоя.

📊 Для кого подходит

Подойдёт студентам курсов по нейронным сетям, искусственному интеллекту и распознаванию образов для выполнения практических заданий, демонстрации работы быстрой сети распознавания с последующей селекцией победителя.

✨ Особенности

В работе представлены полностью численные шаги: явная инициализация весов (W=A/2), вычисление bias=5.5, расчёт скалярных произведений с входом B и пошаговое применение формулы E=(1/m)-0.1 для MAXNET. Приведён исполняемый Python-скрипт, который можно запускать, изменять шаблоны и визуализировать результаты; удобно для лабораторных и демонстраций.

❓ Частые вопросы

Подойдет ли для моего ВУЗа?
Структура решения с формулами, численными примерами и кодом соответствует требованиям лабораторных заданий и методическим указаниям по дисциплинам ИИ/нейросети.

Можно адаптировать?
Да. Векторы шаблонов и параметр итераций MAXNET легко заменяются, а код — расширяется для других правил и функций активации.