Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
FEI TU v Košiciach Diplomová práca List č. 22<br />
1<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−8 −6 −4 −2 0 2 4 6 8<br />
Obr. 11: Priebeh aktivačnej funkcie neurónu. Na osi X je vstupná hodnota<br />
do aktivačnej funkcie, na osi Y je výstupná hodnota z aktivačnej funkcie.<br />
Po vypočítaní skutočného výstupu z neurónovej siete je potrebné vypo-<br />
čítať chybu neurónovej siete (krok 2) takto:<br />
ej= pj − yj<br />
(13)<br />
čo je vlastne rozdiel medzi požadovanou hodnotou pj na neuróne j a sku-<br />
točným výstupom yj. Ešte je potrebné vypočítať celkovú kvadratickú chybu<br />
(MSE) <strong>pre</strong> všetky výstupné neuróny takto:<br />
J= 1<br />
2<br />
N<br />
j=1<br />
e 2 j =1<br />
2<br />
N<br />
(pj − yj)<br />
j=1<br />
2<br />
(14)<br />
Pri algoritme sptného šírenia chyby je potrebné poznať aj deriváciu tejto<br />
aktivačnej funkcie, <strong>pre</strong>tože táto metóda učenia je založená na znalosti, že<br />
pribeh funkcie najstrmšie klesá v smere gradientu funkcie, ktorému v našom<br />
prípade zodpovedá derivácia aktivačnej funkcie, teda:
Change language