Cтраница 2
В ряде случаев это проблематично, поскольку оценки могут быть достаточно близкими. Вводят специальные пороговые значения в абсолютных цифрах или в процентах от оценки. Очевидно, что на оценку сильно влияют наборы весов ги j, поэтому их и подбирают таким образом, чтобы попасть в требуемое пороговое значение. Этот процесс называют обучением. Рассмотрение структуры предпочтений, полученной в результате обучения ( а не опроса экспертов), само по себе интересно, поскольку позволяет судить о степени важности тех или иных параметров для принятия окончательного решения. [16]
Модуль АЦМ-1 реализует часть схемы ПЭ, содержащую переключательный элемент и аналоговый вход. Модуль АЦМ-2 содержит только цифровые входы. В модулях предусматриваются сменные резисторы с целью получения различных структур ( наборов весов и порогов) ПЭ, что необходимо для построения входных кодирующих устройств, работающих в двоичном и двоично-десятичных кодах. Для описываемых ПЭ величина одного уровня квантования UX входной аналоговой величины равна 1 613 в. [17]
В большинстве имеющихся нейронно-сетевых пакетов реализованы методы пакетной обработки, импульса, изменения величины шага, и даже более совершенные варианты алгоритмов типа алгоритма обратного распространения ошибки и квази-ньютоновские методы. В литературе описано много других алгоритмов, реализующих иные подходы к задаче оптимизации. Так, в основанном на идеях статистической физики методе замораживания стабилизация алгоритма осуществляется за счет понижения температурного параметра. Наконец, в последнее время пользуются успехом так называемые генетические алгоритмы, в которых набор весов рассматривается как индивид, подверженный мутациям и скрещиванию, а в качестве показателя его качества берется критерий ошибки. По мере того, как нарождаются новые поколения, все более вероятным становится появление оптимального индивида. [18]
Это та же задача, что и в предыдущих примерах, однако интервал изменения весов значительно расширен. Столбчатая диаграмма на рис. 4.90 демонстрирует значения функции приспособленности особей в популяции после примерно 1500 тактов. На рис. 4.91 изображены графики изменения наилучшего ( нижняя кривая) и среднего ( верхняя кривая) значения функции приспособленности для этого примера после примерно 1500 тактов. Единица на временной оси этого графика соответствует 20 тактам. Очевидно, что наборы весов на рис. 4.92 и 4.93 представляют собой лишь два элемента из множества допустимых комбинаций весов нейронной сети, реализующей логическую систему XOR. На рис. 4.94 показан совершенно другой набор наилучших весов, полученных при очередном возобновлении генетического алгоритма программы Evolver. Результаты зафиксированы после примерно 15000 тактов при тех же, что и прежде, размерности популяции, значениях показателей скрещивания и мутации и интервале изменения весов. [19]
Квантовомеханически, любое положение, которое может занимать частица, является лишь одной их возможных альтернатив для частицы. Мы уже видели, что все альтернативы должны каким-то образом объединяться вместе с комплекснозначны-ми весами. Набор этих комплекснозначных весов описывает квантовое состояние частицы. Обычно в квантовой теории принято использовать греческую букву ф ( произносится: пси) для обозначения такого набора весов. Этот набор весов, рассматриваемый как комплекснозначная функция положения частицы, называется волновой функцией частицы. [20]
Квантовомеханически, любое положение, которое может занимать частица, является лишь одной их возможных альтернатив для частицы. Мы уже видели, что все альтернативы должны каким-то образом объединяться вместе с комплекснозначны-ми весами. Набор этих комплекснозначных весов описывает квантовое состояние частицы. Обычно в квантовой теории принято использовать греческую букву ф ( произносится: пси) для обозначения такого набора весов. Этот набор весов, рассматриваемый как комплекснозначная функция положения частицы, называется волновой функцией частицы. [21]