Чаще всего используются слоистые ИНС с различным числом нейронов в каждом слое. Возможны ИНС с наличием обратных связей между нейронами одного слоя и нейронов различных слоев. Их поведение похоже на поведение цифровых автоматов с памятью. В большинстве ИНС обратных связей нет, информация идет только в одном направлении, такая ИНС похожа на КС. В многослойной ИНС играет большую роль вид активной функции. Обычно слой рецепторов (разветвителей) за слой не считается.
Предположим, что функция F(x) линейна. Тогда для двухслойной сети OUT2 = OUT1 * w2 = x * w1 – w2, т.е. двухслойная сеть будет по возможности эквивалента однослойной с другими значениями коэффициентов и не иметь никаких преимуществ. Введение нелинейности существенно увеличивает возможности ИНС. Основная проблема ИНС – подбор нужных весов коэффициентов, чтобы при заданных входных векторах получить заданный выход. Этот процесс называется обучением. Оно осуществляется предъявлением на вход множества входных векторов и подстройкой весовых коэффициентов всех нейронов. Различают обучение с учителем и без. В первом случае вместе со входным предъявляется желаемый выход (обучающая пара). Для обучения нужно предъявить достаточное количество пар и иногда повторять этот процесс десятки тысяч раз. На каждом шаге вычисляется разница между фактическим и желаемым выходами и по какому-либо алгоритму подстраиваются веса. Процесс продолжается до тех пор, пока на всем множестве обучающих пар не будет получена приемлемая точность формирования выходного вектора.
Часть обучающих пар в обучении не используют, а используют для контроля работы после обучения. Проблемы:
1. Как подстраивать веса.
2. Как будет сходиться и будет ли вообще сходиться алгоритм обучения (конкретный) для конкретной конфигурации сети и конкретной задачи.
3. Строгой методики выбора количества слоев и количества нейронов в каждом слое не существует. Есть лишь некоторое полуимперическое соображение.
Во многих случаях невозможно найти желаемый вектор выходов. В этом случае (обучение без участия) обучающий алгоритм добивается того, чтобы предъявление близких входных векторов, принадлежащих к одному классу, давало одинаковые выходы. Т. е. ИНС выделяет статические свойства обучающего множества и группирует сходные векторы в классы – закон кластеризации. До обучения выход каждого класса неизвестен, какие классы будут выявлены и что представляет из себя каждый класс – тоже неизвестно.
Опубликовал Kest
January 12 2010 14:20:35 ·
0 Комментариев ·
6688 Прочтений ·
• Не нашли ответ на свой вопрос? Тогда задайте вопрос в комментариях или на форуме! •
Комментарии
Нет комментариев.
Добавить комментарий
Рейтинги
Рейтинг доступен только для пользователей.
Пожалуйста, залогиньтесь или зарегистрируйтесь для голосования.
Нет данных для оценки.
Гость
Вы не зарегистрированны? Нажмите здесь для регистрации.
Главная
Каталог файлов
