Модификация - весы
Cтраница 1
Модификация весов производится после предъявления каждой пары вход-выход. [1]
 |
Функциональная схема автоматической системы измерения концентрации пыли ( ФРГ. [2] |
В одной из модификаций весов Gast вместо металлической пластинки используется лента из металлической фольги. После осаждения на фольге пыли ее делят на отдельные отрезки и взвешивают. [3]
Детерминистский метод обучения производит модификацию весов сети только на основе информации о направлении градиента целевой функции в пространстве весов. Чтобы заставить сеть покинуть локальный экстремум и отправиться на поиски глобального, нужно создать дополнительную силу, которая зависела бы не от градиента целевой функции, а от каких-то других факторов. Выбор этих факторов, более или менее оправданный различными эвристическими соображениями, и составляет основу различных методов преодоления локальных ловушек. Один из простейших методов состоит в том, чтобы просто создать случайную силу и добавить ее к детерминистической. [4]
Представленные зависимости (5.18), (5.21) и (5.22) определяют способ модификации весов и параметров на основе алгоритма обратного распространения ошибки. [5]
При некоторых условиях сеть может при обучении попасть в такое состояние, когда модификация весов не ведет к действительным изменениям сети. Такой паралич сети является серьезной проблемой: один раз возникнув, он может увеличить время обучения на несколько порядков. [6]
 |
Нейронная реализация функции принадлежности. [7] |
Представляемая нечеткая нейронная сеть сможет одновременно формировать нечеткие правила и адаптировать функции принадлежности путем модификации весов связей в процессе обучения и - что самое важное - для этого будет применяться классический алгоритм обратного распространения ошибки. [8]
Тремя параметрами: способом снятия показаний, видом отсчета и степенью автоматизации процесса взвешивания - характеризуются в основном модификации весов. [9]
Реальный выход сети у может не совпадать с желаемым. Принцип коррекции по ошибке при обучении состоит в использовании сигнала ( у - у) для модификации весов, обеспечивающей постепенное уменьшение ошибки. [10]
Решение проблемы стабильности-пластичности для различных парадигм нейронных сетей решается по-разному. Так, в случае фиксированного набора обучающих векторов они могут предъявляться циклически, нейтрализуя необратимый характер модификаций весов в результате обучения новому образу. [11]
Неудачный выбор диапазона входных переменных - достаточно элементарная, но часто совершаемая ошибка. Поскольку х входит сомножителем в выражение для модификации веса ( 32), то эффект будет тот же, что при насыщении: модификация соответствующих весов прекратится, и обучение будет блокировано. [12]
Неудачный выбор диапазона входных переменных - достаточно элементарная, но часто совершаемая ошибка. Поскольку х / входит в выражение для модификации веса в виде сомножителя, то эффект будет тот же, что и при насыщении: модификация соответствующих весов будет блокирована. [13]
Неудачный выбор диапазона входных переменных - достаточно элементарная, но часто совершаемая ошибка. Поскольку х, входит в выражение для модификации веса в виде сомножителя, то эффект будет тот же, что и при насыщении: модификация соответствующих весов будет блокирована. [14]
При обучении нейронных сетей могут возникать ловушки, связанные с попаданием в локальные минимумы. Одним из приемов, который позволяет обходить ловушки, является расширение размерности пространства весов за счет увеличения числа нейронов скрытых слоев. Некоторые возможности для решения этой проблемы открывают стохастические методы обучения. При модификации весов сети только на основе информации о направлении вектора градиента целевой функции в пространстве весов можно достичь локального минимума, но невозможно выйти из него, поскольку в точке экстремума движущая сила ( градиент) обращается в нуль и причина движения исчезает. Чтобы покинуть локальный экстремум и перейти к поиску глобального, нужно создать дополнительную силу, которая будет зависеть не от градиента целевой функции, а от каких-то других факторов. Один из простейших методов состоит в том, чтобы просто создать случайную силу и добавить ее к детерминистической. [15]
Страницы: 1 2