vault backup: 2026-05-15 12:33:05

.obsidian/workspace.json

@@ -14,7 +14,7 @@
               "type": "markdown",
               "state": {
                 "file": "00 Inbox/КР - Персептрон.md",
-                "mode": "preview",
+                "mode": "source",
                 "source": false,
                 "backlinks": false
               },
@@ -259,6 +259,9 @@
   },
   "active": "85ff070f2dda5843",
   "lastOpenFiles": [
+    "99 System/Cache/Pasted image 20260515090441.png",
+    "99 System/Cache/Pasted image 20260515090401.png",
+    "99 System/Cache/Pasted image 20260515090322.png",
     "КР - Все темы.md.tmp.122479.370c365f038f",
     "КР - Все темы.md.tmp.122479.c53da0b5a00d",
     "КР - Все темы.md",
@@ -275,7 +278,6 @@
     "00 Inbox/КР - Хэмминг.md",
     "00 Inbox/КР - Хопфилд.md",
     "90 Library/11 Machine Learning/Персептрон.md",
-    "00 Inbox/МИАД_Л5_нейронки.pdf",
     "00 Inbox/КР - Кохонен.md",
     "00 Inbox/КР - Персептрон.md",
     "99 System/Cache/Drawing 2026-05-14 17.24.16.excalidraw.md",
@@ -303,8 +305,6 @@
     "99 System/Cache/Pasted image 20260514115340.png",
     "00 Inbox/Функционирование сети Хопфилда.md",
     "99 System/Cache/Pasted image 20260512225511.png",
-    "99 System/Cache/Pasted image 20260512225452.png",
+    "99 System/Cache/Pasted image 20260512225452.png"
-    "99 System/Cache/Pasted image 20260508103431.png",
-    "99 System/Cache/Pasted image 20260508103342.png"
   ]
 }

00 Inbox/КР - Хопфилд.md

@@ -3,7 +3,7 @@ status: seed
 type: concept
 tags: []
 created: 2026-05-14
-updated: 2026-05-14
+updated: 2026-05-15
 title: КР - Хопфилд
 ---
 
@@ -34,6 +34,7 @@ title: КР - Хопфилд
 - связей нейрона с самим собой обычно нет;
 - веса задаются один раз по эталонным образам;
 - состояние сети пересчитывается до стабилизации.
+![[Pasted image 20260515090322.png|400]]
 
 Входной и выходной векторы имеют одинаковую размерность:
 
@@ -82,7 +83,7 @@ $$
 2. Для каждого нейрона считается новое состояние:
 
 $$
-s_j(p+1)=\sum\limits_{i=1}^{n-1}w_{ij}y_i(p)
+s_j(p+1)=\sum\limits_{i=0}^{n-1}w_{ij}y_i(p)
 $$
 
 3. Значение нейрона обновляется через пороговую функцию:

00 Inbox/КР - Хэмминг.md

@@ -3,7 +3,7 @@ status: seed
 type: concept
 tags: []
 created: 2026-05-14
-updated: 2026-05-14
+updated: 2026-05-15
 title: КР - Хэмминг
 ---
 
@@ -69,6 +69,8 @@ $$
 0<\varepsilon<\frac{1}{m}
 $$
 
+![[Pasted image 20260515090441.png]]
+
 ## Инициализация
 
 Пусть $x_i^k$ - $i$-й элемент $k$-го эталонного образа.
@@ -85,6 +87,8 @@ $$
 T_k=\frac{n}{2}
 $$
 
+Сдвигает диапазон выхода в $[0, n]$: при полном совпадении с эталоном $y_k^{(1)}=n$, при полном несовпадении — $0$.
+
 где:
 
 - $i=0,\dots,n-1$;
@@ -103,7 +107,7 @@ $$
 2. Первый слой вычисляет начальную близость входа к каждому эталону:
 
 $$
-y_j^{(1)}=s_j^{(1)}=\sum\limits_{i=1}^{n-1}w_{ij}x_i+T_j
+y_j^{(1)}=s_j^{(1)}=\sum\limits_{i=1}^{n-1}w_{ij}x_i+T_j,\ j=\overline{0,m-1}
 $$
 
 3. Эти значения передаются во второй слой:

90 Library/11 Machine Learning/Сеть Хопфилда.md

@@ -6,7 +6,7 @@ tags:
   - neural-networks
   - associative-memory
 created: 2025-12-17
-updated: 2026-05-14
+updated: 2026-05-15
 title: Сеть Хопфилда
 ---
 
@@ -52,6 +52,8 @@ $$
 - веса задаются заранее по эталонным образам;
 - состояние сети изменяется до стабилизации.
 
+![[Pasted image 20260515090401.png]]
+
 Инициализация сети задаёт начальные выходы нейронов. При функционировании сеть изменяет состояние до тех пор, пока не придёт к устойчивому образу. Если входной сигнал близок к одному из сохранённых эталонов, сеть восстанавливает этот эталон.
 
 Для сети Хопфилда часто используется бинарная функция активации, описанная в [[Нейронные сети]].

90 Library/11 Machine Learning/Сеть Хэмминга.md

@@ -6,7 +6,7 @@ tags:
   - neural-networks
   - associative-memory
 created: 2025-12-17
-updated: 2026-05-14
+updated: 2026-05-15
 title: Сеть Хэмминга
 ---
 
@@ -66,6 +66,8 @@ $$
 
 где $x_i^k$ - $i$-й элемент $k$-го эталонного образа.
 
+Порог $T_k$ сдвигает диапазон выхода: скалярное произведение $\sum w_{ik}x_i$ при весах $x_i^k/2$ даёт значение от $0$ до $n/2$. После прибавления $T_k = n/2$ итоговое значение $y_k^{(1)}$ попадает в диапазон $[0, n]$, где $n$ соответствует полному совпадению с эталоном, а $0$ — полному несовпадению.
+
 Весовые коэффициенты тормозящих синапсов второго слоя берут равными небольшой величине $\varepsilon$. Синапс нейрона, связанный с его же аксоном, имеет вес $+1$.
 
 1. На входы сети подаётся неизвестный вектор: