کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک- قسمت ۱۱
در این رابطه فاکتور عرض کرنل jام میباشد. دلیل انتخاب تابع نمایی گوسی به عنوان تابع پاسخ نرونها در شبکه های با تابع شعاعمبنا این است که زیروسی و پوگی در سال ۱۹۹۰ میلادی نشان دادند که تابع نمایی جزء گروهی از توابع است که دارای بهترین خواص در تقریب سازی هستند. این موضوع تضمین میکند مجموعهای از وزنها وجود دارند که رابطه بین ورودیها و بردارهای هدف را بهتر از هر مجموعه دیگر تقریب سازی میکنند؛ این خاصیت در تابع سیگموئیدی، که در طراحی شبکه های پس انتشار خطا به‌کاربرده میشود، وجود ندارد. در ساختار بالا بسته به ساختار ورودی، توابع گوسی مختلفی مطرح میشود. اگر ورودی یک بعدی باشد، از یک نرون منفرد ساده در لایه مخفی که فقط دارای یک ورودی است، مشابه ۳-۶ استفاده میشود. در این حالت u نیز مقداری یک بعدی میباشد.
| شکل۳-۶- نرون شعاعی با یک ورودی |
منحنی نمایش این تابع در ۳-۷ نشان داده شده است.
| شکل۳-۷- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی |
با توجه به رابطه بالا برای مقادیر ورودی برابر میانگین u=x، تابع پاسخ نرون به ماکزیمم مقدار خود میرسد. با افزایش فاصله x از این میانگین، مقدار پاسخ نرون به‌شدت افت میکند و هر چه این فاصله بیشتر باشد، مقدار پاسخ نرون در یک محدوده خاصی در مقادیر x، قابل بررسی است. به این محدوده خاص میدان پذیرا گفته میشود. اندازه و محدوده این میدان با پارامتر تعیین میشود.
در مقایسه با منحنی توزیع استاندارد آماری که دارای شکلی شبیه به منحنی نمایش تابع پاسخ نرون است، می‌توان u را میانه و را انحراف استاندارد منحنی پاسخ نرون در نظر گرفت.
در ۳-۸ ساختار نرون لایه مخفی با ورودی دو بعدی x نشان داده شده است؛ در این حالت میانه u نیز برداری دو بعدی میباشد.
| برای دانلود متن کامل پایان نامه به سایت jemo.ir مراجعه نمایید. |
| شکل۳-۸- نرون شعاعی با دو ورودی |
در این حالت تابع شعاعی به یک تابع دو متغیره تبدیل میشود. منحنی نمایش این تابع در ۳-۹ نشان داده شده است. این تابع نیز برای ورودی برابر u ماکزیمم خواهد بود.