fix

Contents/part_ps/src/sd_ann.tex

@@ -340,39 +340,6 @@
 		\end{itemize}}
 \end{scnindent}
 
-\scnheader{формальный нейрон}
-    \scnidtf{искусственный нейрон}
-    \scnidtf{нейрон}
-    \scnidtf{ф.н.}
-    \scnidtf{нейронный элемент}
-    \scnidtf{множество нейронов искусственных нейронных сетей}
-    \scnidtf{математическая модель реального биологического нейрона}
-    \scntext{примечание}{Отдельный формальный нейрон является искусственной нейронной сети с одним нейроном в единственном слое.}
-    \scnsubset{искусственная нейронная сеть}
-    \scntext{пояснение}{\textbf{\textit{формальный нейрон}} --- это основной элемент \textit{искусственной нейронной сети}, применяющий свою \textit{функцию активации} (\scncite{Golovko2017}) к сумме произведений входных сигналов на весовые коэффициенты:
-        $y \eq F(\sum\underscore{\scnleftcurlbrace i \eq 1\scnrightcurlbrace}\upperscore{\scnleftcurlbrace n\scnrightcurlbrace} w\underscore{i} x\underscore{i} - T) \eq F(WX - T)$
-        где $X \eq (x\underscore{1},x\underscore{2},...,x\underscore{n})\upperscore{\scnleftcurlbrace T\scnrightcurlbrace}$ --- вектор входного сигнала; $W - (w\underscore{1},w\underscore{2},...,w\underscore{n})$ --- вектор весовых коэффициентов; \textit{T} --- пороговое значение;
-        \textit{F} --- функция активации.}
-    \scnrelfrom{изображение}{\scnfileimage[20em]{Contents/part_ps/src/images/sd_ps/sd_ann/neuron.png}}
-    \scntext{примечание}{Формальные нейроны могут иметь полный набор связей с нейронами предшествующего слоя или неполный (разряженный) набор связей.}
-    \begin{scnsubdividing}
-        \scnitem{полносвязный формальный нейрон}
-        \begin{scnindent}
-            \scnidtf{нейрон, у которого есть полный набор связей с нейронами предшествующего слоя}
-            \scntext{пояснение}{отдельный обрабатывающий элемент и.н.с., выполняющий функциональное преобразование взвешенной суммы элементов вектора входных значений с помощью функции активации}
-        \end{scnindent}
-        \scnitem{сверточный формальный нейрон}
-        \begin{scnindent}
-            \scntext{пояснение}{Отдельный обрабатывающий элемент и.н.с., выполняющий функциональное преобразование результата операции свертки матрицы входных значений с помощью функции активации.}
-            \scntext{примечание}{Сверточный формальный нейрон может быть представлен полносвязным формальным нейроном.}
-            \scntext{примечание}{Сверточный формальный нейрон с соответствующим ему ядром свертки может быть представлен нейроном с неполным набором связей.}
-        \end{scnindent}
-        \scnitem{рекуррентный формальный нейрон}
-        \begin{scnindent}
-            \scntext{пояснение}{Формальный нейрон, имеющий обратную связь с самим собой или с другими нейронами и.н.с.}
-        \end{scnindent}
-    \end{scnsubdividing}
-
 \scnheader{формальный нейрон\scnrolesign}
     \scnidtf{формальный нейронный элемент\scnrolesign}
     \scnidtf{нейронный элемент\scnrolesign}
@@ -444,80 +411,6 @@
     \scnsubset{ролевое отношение}
     \scntext{пояснение}{\textbf{\textit{признак}} --- множество ролевых отношений, каждое из которых связывает некоторый п.в.а. с численным значением, которое характеризует данный п.в.а. с какой-либо стороны.}
 
-\scnheader{функция активации*}
-    \scnidtf{функция активации нейрона*}
-    \scniselement{неролевое отношение}
-    \scniselement{бинарное отношение}
-    \scntext{пояснение}{\textbf{\textit{функция активации*}} --- неролевое отношение, связывающее формальный нейрон с функцией, результат применения которой к \textbf{\textit{взвешенной сумме нейрона}} определяет его \textbf{\textit{выходное значение}}.}
-  	\scnrelfrom{область определения}{\scnnonamednode}
-  	\begin{scnindent}
-  		\begin{scnreltoset}{объединение}
-  			\scnitem{формальный нейрон}
-  			\scnitem{функция}
-  		\end{scnreltoset}
-  	\end{scnindent}
-    \scnrelfrom{первый домен}{формальный нейрон}
-    \scnrelfrom{второй домен}{функция}
-    \begin{scnindent}
-    \begin{scnsubdividing}
-        \scnitem{линейная функция}
-            \begin{scnindent}
-                \scntext{формула}{
-                    \begin{equation*}
-                        y \eq kS
-                    \end{equation*}
-                    где \textit{k} --- коэффициент наклона прямой, \textit{S} --- в.с.}
-            \end{scnindent}
-        \scnitem{пороговая функция}
-            \begin{scnindent}
-                \scntext{формула}{
-                    \begin{equation*}
-                        y \eq sign(S) \eq
-                        \begin{cases}
-                            1, S > 0,\\
-                            0, S \leq 0
-                        \end{cases}
-                    \end{equation*}}
-            \end{scnindent}
-        \scnitem{сигмоидная функция}
-            \begin{scnindent}
-                \scntext{формула}{
-                    \begin{equation*}
-                       y \eq \frac{1}{1+e\upperscore{\scnleftcurlbrace -cS\scnrightcurlbrace}}
-                    \end{equation*}
-                    где \textit{с} > 0 --- коэффициент, характеризующий ширину сигмоидной функции по оси абсцисс, \textit{S} --- в.с.}
-            \end{scnindent}
-        \scnitem{функция гиперболического тангенса}
-            \begin{scnindent}
-                \scntext{формула}{
-                    \begin{equation*}
-                       y \eq \frac{e\upperscore{\scnleftcurlbrace cS\scnrightcurlbrace}-e\upperscore{\scnleftcurlbrace -cS\scnrightcurlbrace}}{e\upperscore{\scnleftcurlbrace cs\scnrightcurlbrace}+e\upperscore{\scnleftcurlbrace -cS\scnrightcurlbrace}}
-                    \end{equation*}
-                    где \textit{с} > 0 --- коэффициент, характеризующий ширину сигмоидной функции по оси абсцисс, \textit{S} --- в.с.}
-            \end{scnindent}
-        \scnitem{функция softmax}
-            \begin{scnindent}
-                \scntext{формула}{
-                    \begin{equation*}
-                       y\underscore{j} \eq softmax(S_j) \eq \frac{e\upperscore{\scnleftcurlbrace S\underscore{j}\scnrightcurlbrace}}{\sum\upperscore{j} e\upperscore{\scnleftcurlbrace S\underscore{j}\scnrightcurlbrace}}
-                    \end{equation*}
-                    где $S\underscore{j}$ --- в.с. \textit{j}-го выходного нейрона.}
-            \end{scnindent}
-        \scnitem{функция ReLU}
-            \begin{scnindent}
-                \scntext{формула}{
-                    \begin{equation*}
-                        y \eq F(S) \eq
-                        \begin{cases}
-                            S, S > 0,\\
-                            kS, S \leq 0
-                        \end{cases}
-                    \end{equation*}
-                    где \textit{k} $\eq$ 0 или принимает небольшое значение, например, 0.01 или 0.001.}
-            \end{scnindent}
-    \end{scnsubdividing}
-    \end{scnindent}
-
 \scnheader{взвешенная сумма*}
     \scnidtf{взвешенная сумма входных значений*}
     \scnidtf{в.с.}