Mạng thần kinh nhân tạo cho phân lớp màu sắc part 5

Lấy rất nhiều các giá trị từ một loạt các điểm trên miền đã lựa chọn sắc màu bằng cách nhắp đơn nút trái chuột. Chú ý là màn hình VGA sẽ hiện lên biểu đồ màu và cường độ màu tại nơi mà bạn trỏ tới. Nơi mà bạn kích vào sẽ đánh dấu bằng một dấu thập màu đỏ trên biểu đồ màu vẽ trên màn hình VGA (xem hình 12.6) và lưu nó vào một mảng.
Nội dung trích xuất từ tài liệu:
Mạng thần kinh nhân tạo cho phân lớp màu sắc part 5 N 3 1 B»ng ®Þnh nghÜa  (k )  f (net (k ))   i( 2) (k ) im ) (1) (1) (2 (12.20) m m i 0 M 1 E   i(1) (k ) y n0) (k ) ( Chóng ta cã thÓ tr×nh bµy (12.21)  (1)  mn k 0 B»ng c¸ch sö dông c¸c phÐp to¸n trªn chóng ta cã thÓ rót ra ®¹o hµm cña E theo c¸c träng sè cung cÊp cho líp bÞ che khuÊt ®Çu tiªn. Chóng ®­îc cho theo c¸c biÓu thøc sau ®©y: N 2 1  m0) (k )  f (netm0) (k ))   i(1) (k ) im) ( ( (1 (12.22) i 0 M 1 E    m0 ) (k ) xn (k ) ( (12.23) (0 )  mn k 0 Tæng qu¸t, cho mét hÖ thèng nhiÒu líp chóng ta cã thÓ suy ra tõ c¸c biÓu thøc trªn c¸c tËp hîp tiÕp theo. NÕu líp cuèi cïng lµ L, th×  mL ) (k )   m (k ) f (net mL ) (k )) ( ( N j  2 1  mj ) (k )  f (net mj ) (k )) ( (  i j 1 (k ) imj 1) ( i 0 vµ j  L  1, L  2,...,0 M 1 E    mj ) (k ) y n j 1) (k ) ( ( ( j)  mn k 0 j  L, L  1,...,1 M 1 E   m0) (k ) xn (k ) ( vµ   mn) (0 k 0 Chó ý r»ng nÕu hµm f(net) lµ hµm xichma chóng ta cã thÓ thay f (net mj ) (k ))  y mj ) (k )(1  y mj ) (k )) ( ( ( 299 TËp hîp cuèi cïng cã thÓ dïng ®Ó ph¸t triÓn mét ch­¬ng tr×nh C cho ®µo t¹o mét m¹ng nhiÒu líp. NÕu c¸c ®¹o hµm ®­îc tÝnh b»ng c¸ch ®Çu tiªn xem xÐt líp ra vµ lµm viÖc quay trë l¹i víi líp vµo, ph­¬ng ph¸p tÝnh c¸c ®¹o hµm nµy ®­îc gäi lµ ph­¬ng ph¸p lan truyÒn ng­îc (Back-propagation). Lan truyÒn ng­îc còng chØ ra r»ng sai lÖch ë tÝn hiÖu ra sÏ lan truyÒn trë l¹i tíi tÝn hiÖu vµo. Ch­¬ng tr×nh d­íi ®©y dïng ph­¬ng ph¸p gradient kÕt hîp kÌm theo ph­¬ng ph¸p cña Brent t×m kiÕm tuyÕn tÝnh ®Ó tËp luyÖn cho mét hÖ thèng thÇn kinh víi mét sè bÊt kú líp Èn vµ nót. Gi¶i thuËt thu gän, m« t¶ ë phÇn tr­íc còng ®­îc sö dông. Ch­¬ng tr×nh 12.3 PERNCONJG.C” /*Program 12.3 PERNCONJG.C. Training a multilayer neural network using the conjugate gradient method.*/ /************************************ * Developed by M.A.Sid-Ahmed. * * ver. 1.0, 1992. * * @ 1994 * *************************************/ /* Program for training a multi -layer perceptron using the conjugate gradient method.*/ void conj_grad( float (*)(float *), void (*)(float *, float *, int), float *, int, float, float, int); float fun(float *); void dfun(float *, float *,int) #include #include #include #include #include #include int M,*NL,*NS,L; int *d; float *xp,*y,*net,*delta,theta; 300 void main() { float *w,q,xt; int i,j,N,xd,ind,Nt; char file_name[14],file_name2[14],ch; FILE *fptr,*fptr2; clrscr(); printf(\nDo you wish to use previously trained weights? (y or n)-->); while(((ch=getch())!='y')&&(ch!='n')); putch(ch); switch(ch) { case 'y' : printf(\nEnter file name -->); scanf(%s,file_name); fptr=fopen(file_name,r); if(fptr==NULL) { printf(No such file exists.); exit(1); } fscanf(fptr,%d ,&L); NL=(int *)malloc(L*sizeof(int)); NS=(int *)malloc(L-2)*sizeof(int); for(i=0;i fclose(fptr); break; case 'n': /* Entering number of layers. */ printf(\nEnter number of hidden layers-->); scanf(%d,&L); L+=2; /*adding input and output layers. */ NL=(int *)malloc(L*sizeof(int)); NS=(int *)malloc((L-2)*sizeof(int)); printf(Enter number of nodes in input layer-->); scanf(%d,&NL[0]); for(i=1;iscanf ( %s , file_name) ; ind=access(file_name,0); while(!ind) { gotoxy(1,12); printf(File exists. Wish to overwrite? (y or n)-->); while(((ch=getch())!='y')&&(ch!='n')); putch(ch); switch(ch) { case 'y': ind=1; break; case 'n' : gotoxy(1,7); printf( ); gotoxy (1,10); printf ( ); gotoxy(1,100); printf(Enter file name -->); sc ...