Цитата(PGsoft @ 2.6.2006, 00:13  ) | | если на входе - "неподходящй" объект, то выход даст нулевой вектор, иначе - вектор с указанием опознанного объекта. |
Не гарантировано. Может и "зашкалить" - т.е. убежать за +-единицу, если на выходе сети нейрон с линейной активационной функцией (т.е. просто сумматор без какой-либо нелинейности), или всё-таки дать близкий к +-единице сигнал в одной из позиций выходного вектора.
Хорошим решением вопроса вижу явный, отдельный от нейросети способ (хотя и для нейросети можно напридумывать критериев похожести входного вектора на эталонные и получение значения этого критерия - такое делали многие разными способами, частично это перекрывается с методами получения доверительного интервала для выдаваемого нейросетью прогноза (в случае нейросети-предсказателя, т.е. регрессора, а не классификатора)).
Я бы сделал отстрел нетипичных примеров еще перед подачей вектора сети - провел бы первоначальную кластеризацию обучающей выборки (только надо гарантировать невключение нетипичных примеров в обучащую выборку) и затем для каждого поступающего на распознавание-тестирование вектора считал его расстояния до каждого кластера (с учетом, естественно, матрицы ковариаций кластера, т.е. в метрике Махаланобиса). И если расстояние до ближайшего кластера превышает порог - то считал бы вектор нетипичным и сети даже бы и не совал. Ессно, кластеров будет гораздо меньше, чем примеров в эталонной выборке - будет считаться быстрее, чем попарное вычисление расстояний до каждого примера, предложенное в первом ответе DragonFire (хотя, в случае кластеров и расстояния Махаланобиса нужно будет множить вектор на обратные матрицы ковариаций - т.е. в случае данных большой размерности вычислительные затраты будут всё-таки наличествовать)
Хотя, конечно, надо детальнее смотреть спецификацию задачи и реальные свойства данных. |
