| Operatoren |
add_sample_class_mlp — Hinzufügen eines Trainingsmusters zu den Trainingsdaten eines mehrschichtigen Perzeptrons.
add_sample_class_mlp fügt ein Trainingsmuster zu dem durch MLPHandle gegebenen mehrschichtigen Perzeptron (MLP) hinzu. Das Trainingsmuster wird durch Features und Target beschrieben. Features ist der Merkmalsvektor des Musters und muss folglich die Länge NumInput besitzen, die in create_class_mlp angegeben worden ist. Target ist der Zielvektor des Musters, der für alle drei Aktivierungsfunktionen in der Ausgabeschicht des MLP (siehe create_class_mlp) die Länge NumOutput besitzen muss und aus reellen Zahlen bestehen muss (Ausnahme: s.u.). Falls das MLP zur Regression (Funktionsapproximation) verwendet wird (OutputFunction = 'linear'), ist Target der Funktionswert der Funktion an der Koordinate Features. In diesem Fall kann Target beliebige reelle Zahlen beinhalten. Für OutputFunction = 'logistic' können in Target nur die Werte 0.0 und 1.0 angegeben werden. Ein Wert von 1.0 spezifiziert das Vorhandensein des jeweiligen Attributes, während 0.0 die Abwesenheit des Attributes spezifiziert. Da in diesem Fall die Attribute unabhängig voneinander anwesend oder abwesend sein können, können beliebige Kombinationen von 0.0 und 1.0 übergeben werden. Für OutputFunction = 'softmax' dürfen die Werte von Target auch nur 0.0 und 1.0 enthalten. Im Gegensatz zu OutputFunction = 'logistic' muss der Wert 1.0 an genau einer Stelle des Tupels Target vorkommen. Die Stelle des Tupels bezeichnet die Klasse des Musters. Zur Vereinfachung kann für OutputFunction = 'softmax' auch ein einzelner ganzzahliger Wert übergeben werden, der direkt die Klasse des Musters bezeichnet. Hierbei werden die Klassen von 0 ab gezählt, d.h. die Klasse muss ein Wert zwischen 0 und NumOutput - 1 sein. Intern wird die Klasse in einen Zielvektor der Länge NumOutput konvertiert.
Bevor das MLP mit train_class_mlp trainiert werden kann, müssen alle Trainingsmuster mit add_sample_class_mlp zum MLP hinzugefügt werden.
Die Anzahl der abgespeicherten Trainingsmuster kann mit get_sample_num_class_mlp abgefragt werden. Einzelne Trainingsmuster können mit get_sample_class_mlp wieder ausgelesen werden.
Im Normalfall ist es günstig, die Trainingsmuster mit write_samples_class_mlp in eine Datei zu speichern, damit sie wiederverwendet werden können, und damit bei Bedarf neue Trainingsmuster zum Datensatz hinzugefügt werden können, und ein neu erzeugtes MLP mit dem erweiterten Datensatz neu trainiert werden kann.
Dieser Operator modifiziert den Zustand des folgenden Eingabeparameters:
Der Wert dieses Parameters darf nicht über mehrere Threads verwendet werden.Handle des MLP.
Merkmalsvektor des zu speichernden Trainingsmusters.
Klasse oder Zielvektor des zu speichernden Trainingsmusters.
Sind die Parameterwerte korrekt, dann liefert add_sample_class_mlp den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.
train_class_mlp, write_samples_class_mlp
clear_samples_class_mlp, get_sample_num_class_mlp, get_sample_class_mlp
Foundation
| Operatoren |