ГОСТ P 52633.S—2011
Если у обучаемого нейрона четное число входов, то число положительных и отрицательных зна
ков весовых коэффициентов нейрона должно быть одинаковым. Балансировка по знакам осуществля
ется исправлением избыточных знаков на инверсные.
Если у обучаемого нейрона нечетное число входов, то число положительных и отрицательных
знаков весовых коэффициентов нейрона должно отличаться на единицу. Балансировка по знакам осу
ществляется исправлением избыточных знаков на инверсные.
7.2.3 Установка начальных условий обучения нейрона
После случайной установки знаков весовых коэффициентов проводят проверку наиболее вероят
ного выходного состояния обучаемого нейрона.
Если наиболее вероятное выходное состояние обучаемого нейрона совпадает с заданным выход
ным состоянием разряда выходного кода, то все знаки весовых коэффициентов инвертируют.
Если наиболее вероятное выходное состояние обучаемого нейрона не совпадает с заданным вы
ходным состоянием разряда выходного кода, то все знаки весовых коэффициентовоставляют без изме
нений.
7.2.4 Обучающая корректировка знаков весовых коэффициентов
Обучение проводят путем корректировки знаков весовых коэффициентов у части входов нейрона.
Корректировку знака выполняют так. чтобы вероятность появления заданного отклика на выходе нейрона
при предъявлении примеров образа «Свой» увеличивалась (число ошибоквыходного кода уменьшалось).
Корректировку проводят по одному входу. Если смена знака весового коэффициента корректируе
мого входа дает обратный результат, то корректировку следует отменить и перейти к корректировке
знака следующего весового коэффициента.
Корректировкузнаков весовых коэффициентов проводятдо момента, пока не будут устранены все
ошибки в кодах первого слоя нейрона, возникающие при воздействии на обучаемую нейронную сеть
всеми обучающими примерами образов «Свой».
8 Использование автомата обучения второго слоя нейронов для обучения
однослойной нейронной сети, ориентированной на работу с дискретными
входными данными высокого качества
8.1 Нейросетовая корректировка дискретных входных биометрических данных с
бинарными состояниями «0» и «1» в каждом разряде
В ряде приложений биометрические данные являются изначально дискретными и имеют высокое
входное качество (например, данные о существовании или отсутствии особых точек в контролируемой
области рисунка отпечатка пальца). В этом случае нейронная сеть должна работать с входными дискрет
ными биометрическими данными, имеющими два состояния: «0» — нет особенностей, «1» — особен
ность обнаружена, то есть второй слой обычной нейронной сети, ориентированный на работу с
дискретными данными первого слоя, может быть использован самостоятельно как однослойнаясеть ней
ронов. В этом случае обучение первого слоя сети нейронов, работающих сдискретными данными, совпа
дает с обучением второго слоя, в соответствии с разделом 7.
8.2 Особенности нейросетевой корректировки дискретных входных биометрических
данных с числом состояний болоо двух
В ряде случаев число состоянийдискретных биометрических параметров может быть более двух.
В этих случаях необходима перекодировка дискретных параметров. В нейросетевых преобразователях
следует использовать новый бинарный код с длиной кода, равной числу состояний биометрического
параметра, и единственным разрядом, имеющим состояние «1».
П р и м е ч а н и е — По ГОСТ Р ИСО/МЭК 19794-2 рисунок отпечатка пальца имеет три типа состояний конт
рольных областей (биометрических параметров), кодирующихся как:
«00» — область, где нет особенностей;
«01» — область, где есть точка окончания гребня.
«10» — область, где есть точка бифуркации гребня.
В этом случае при кодировании состояний областей с особыми точками рисунка отпечатка пальца для нейро-
сетевого преобразователя следует использовать другие коды входных состояний:
«100» — область, в которой нет особенностей;
«010» — область, а которой есть точка окончания гребня;
«001» — область, а хоторой есть точка бифуркации гребня.
11