class Calc {

public static double sigmoid(double x) {

return (1/( 1 + Math.pow(Math.E,(-1*x))))

}

}

For example, let’s say you have 18 and 8. You subtract 8 from 18 and get ten and pass it to the Sigmoid function. You’re returned with 0.9999546021312976. If you had a difference of 0 though, you would get .50 and if you had a negative difference, like -18, get a really tiny number that’s bigger than 0. So in short, the Sigmoid function is easy and quite interesting.

I just passed my E = X1W2 + X2W2 + … + X3W3 + W0 there.

Here is the original source, Thanks to the author.

Disclaimer: I really dont know, will it work or not. I made a class, which – yes, produces something. The question is – will it work in a neural network.

Weight: W;

Activation: A;

A = X1W1 + X2W2 + X3W3 + … + XnWn.

If (A >= someThreshold) { //Output 1 }

Else { //Nothing }

someThreshold - simple step, any valid curve function, etc.

Easy way:

double activation = 0;

for (int i=0;  i<n;  i++)

{ activation += x[i] * w[i]; }

• A set of given problem solutions (chromosomes, containers of certain data) form a population;

• According to their ‘fitness’, certain best chromosomes are taken from the population to produce an offspring, which would form a second generation of population (involving Crossover, Mutation, and Elitism);

• Elitism – copying a few ‘best’ chromosomes into the next generation of population. Crucial for transforming information about best option found so far to the next generation, and eventually – find the best possible solution to a given problem.

Chromosomes – abstract information carriers. Should, in some way, contain information about solution which they represent. Most used way of containing information is the binary string, but other ways are used as well, depending on the nature of the given problem:

• Binary encoding – chromosome is carrying string of bits;
• Permutation - string of numbers is used;
• Value – String of some values;
• Tree – used in genetic programming, where each chromosome is a tree of some objects. Good for evolving programs.

Types of Crossover:

• Single point:
  

• Two-Point:

• Uniform:

• Arithmetic:

Note: Crossover is made in hope that the new generation will be better than the previous.

Mutation:

Random altering of some data contained in the offspring chromosome. Should be present, but not occur too often (otherwise the evolution pattern through generations would be blurred, or even lost).

Types of mutation:

• Some bits get inverted;
• Order of bits (or other data type) is changed;
• Addition of data take place;
• Changing nodes (in tree encoding).

Note: 100% mutation == inversion of data;

Methods of selection of the ‘fittest” chromosomes for further crossover:

• Roulette selection:
  • Calculate the sum S of all chromosome fitnesses in the population (assuming that it is possible);
  • Distribute portions of S among chromosomes (e.g. divide sum of the population between its parts, according to their individual fitness);
  • Make a random selection between 0 and S, and take chromosome, which owns the selected number.
• Rank selection:
  • Rank the population (choosing N as the highest);
  • Distribute relative ranks between chromosomes (where 1 is worst, and N is the best);
  • Used when chromosome fitness in the population is too uneven;
• Steady-State selection:
  • Few chromosomes with ‘high fitness’ selected, new offspring is created;
  • Some ‘weak’ chromosomes are removed;
  • New offspring is placed on the place of removed chromosomes;
  • Population proceeds to the new generation;

For more information, check here.

int main()
{

using namespace std;
srand((unsigned)time(NULL));
const int N = 1000;
int a[N];

//заполняем нулями
fill(a, a+N, 0);
for (;;)
{

//мутация в случайную сторону каждого элемента:
for (int i = 0; i < N; ++i)

if (rand()%2 == 1)

a[i] += 1;

else

a[i] -= 1;

//теперь выбираем лучших, отсортировав по возрастанию…
sort(a, a+N);
//… и тогда лучшие окажутся во второй половине массива.
//скопируем лучших в первую половину, куда они оставили потомство, а первые умерли:
copy(a+N/2, a+N, a /*куда*/);
//теперь посмотрим на среднее состояние популяции. Как видим, оно всё лучше и лучше.

cout << accumulate(a, a+N, 0) / N << endl;

}

}

suppose that the goal is to conclude the color of my pet Fritz, given that he croaks and eats flies, and that the rule base contains the following four rules:

1. If X croaks and eats flies – Then X is a frog
2. If X chirps and sings – Then X is a canary
3. If X is a frog – Then X is green
4. If X is a canary – Then X is yellow

This rule base would be searched and the third and fourth rules would be selected, because their consequents (Then Fritz is green, Then Fritz is yellow) match the goal (to determine Fritz’s color). It is not yet known that Fritz is a frog, so both the antecedents (If Fritz is a frog, If Fritz is a canary) are added to the goal list. The rule base is again searched and this time the first two rules are selected, because their consequents (Then X is a frog, Then X is a canary) match the new goals that were just added to the list. The antecedent (If Fritz croaks and eats flies) is known to be true and therefore it can be concluded that Fritz is a frog, and not a canary. The goal of determining Fritz’s color is now achieved (Fritz is green if he is a frog, and yellow if he is a canary, but he is a frog since he croaks and eats flies; therefore, Fritz is green).

The opposite of forward chaining is forward chaining.

View full Wikipedia article.

suppose that the goal is to conclude the color of a pet named Fritz, given that he croaks and eats flies, and that the rule base contains the following four rules:

1. If X croaks and eats flies – Then X is a frog
2. If X chirps and sings – Then X is a canary
3. If X is a frog – Then X is green
4. If X is a canary – Then X is yellow

This rule base would be searched and the first rule would be selected, because its antecedent (If Fritz croaks and eats flies) matches our data. Now the consequents (Then X is a frog) is added to the data. The rule base is again searched and this time the third rule is selected, because its antecedent (If Fritz is a frog) matches our data that was just confirmed. Now the new consequent (Then Fritz is green) is added to our data. Nothing more can be inferred from this information, but we have now accomplished our goal of determining the color of Fritz.

The opposite of forward chaining is backward chaining.

View full Wikipedia article.

1. Configure server (change name, password, etc);
2. Install Service Pack 2;
3. Install database – I prefer SQL Server 2005;
4. Configure ODBC (Open Database Connectivity) on Windows Server;
5. Install Content Server + Configure repository & Dockbrocker;
6. Install JDK;
7. Install Application Server – I prefer Apache Tomcat;
8. Apply steps written in the Deployment Guides (yes, you need to read that ones) of Webtop and DA (Documentum Administrator). Then, deploy both.

Каждое из полушарий человеческого мозга является самостоятельной системой восприятия внешнего мира, переработки информации о нем и планирования поведения в этом мире. Левое полушарие представляет собой как бы большую и мощную ЭВМ, имеющую дело со знаками и процедурами их обработки.

Естественно-языковая речь, мышление словами, рационально-логические процедуры переработки информации и т.п. – все это реализуется именно в левом полушарии. В правом же полушарии реализуется мышление на уровне чувственных образов: эстетическое восприятие мира, музыка, живопись, ассоциативное узнавание, рождение принципиально новых идей и открытий и т.п. Весь тот сложный механизм образного мышления, который нередко определяют одним термином “интуиция”, и является правополушарной областью деятельности мозга.

Различие между двумя механизмами мышления можно проиллюстрировать принципами составления связного текста из отдельных элементов информации: левополушарное мышление из этих элементов создает однозначный контекст, т.е. из всех бесчисленных связей между предметами и явлениями оно активно выбирает только некоторые, наиболее существенные для данной конкретной задачи. Правополушарное же мышление создает многозначный контекст, благодаря одновременному схватыванию практически всех признаков и связей одного или многих явлений. Иными словами логико-знаковое мышление вносит в картину мира некоторую искусственность, тогда как образное мышление обеспечивает естественную непосредственность восприятия мира таким, каков он есть.

Человеческое мышление и человеческое поведение обусловлено совместной работой обоих полушарий человеческого мозга. В одних ситуациях преобладает логический компонент мышления, в других – интуитивный. По мнению психологов, все люди делятся на три группы: с преобладающим “левополушарным” мышлением, с “правополушарным”, со смешанным мышлением. Это разделение генетически предопределено, и существуют специальные тесты для определения склонности к тому или иному типу мышления.

Описанные выше фундаментальные различия между лево- и правополушарной стратегией переработки информации имеют прямое отношение к формированию различных способностей. Так, для научного творчества, т.е. для преодоления традиционных представлений, необходимо восприятие мира во всей его целостности, что предполагает развитие способностей к организации многозначного контекста (образного мышления). И действительно, существуют многочисленные наблюдения, что для людей, сохраняющих способности к образному мышлению, творческая деятельность менее утомительна, чем рутинная, монотонная работа. Люди же, не выработавшие способности к образному мышлению, нередко предпочитают выполнять механическую работу, причем она им не кажется скучной, поскольку они как бы “закрепощены” собственным формально-логическим мышлением. Отсюда ясно, как важно с ранних пор правильно строить воспитание и обучение, чтобы оба нужных человеку типа мышления развивались гармонично, чтобы образное мышление не оказалось скованным рассудочностью, чтобы не иссякал творческий потенциал человека.

В разработке интеллектуальных систем, как отмечает известный специалист в сфере искусственного интеллекта Д.А. Поспелов, имеет место “левополушарный крен”. Еще в большей, по-видимому, степени такой “левополушарный крен” характерен и для современного образования, в том числе для используемых в нем компьютерных методов и средств. Явление это не такое уж безобидное. Опасность чрезмерной компьютеризации ныне видится не в том, что компьютеры вытеснят человека из сферы интеллектуальной деятельности, а в том, что человек, все более втягиваясь во взаимодействие с ЭВМ, станет мыслить как машина. Негативное влияние компьютеризации обучения, которое нередко отмечается преподавателями, во многом объясняется слабым воздействием используемых компьютерных систем на интуитивный, образный механизм мышления.

В связи с этим четкое выделение неявных, подсознательных компонент знания позволяет также четко ставить задачу их освоения, формулировать соответствующие требования к методам и средствам обучения, в том числе и к методам компьютерной графики.

IF speed is high, THEN stoppingDistance is long;

IF speed is low, THEN stoppingDistance is short;