Многослойная сеть

Cтраница 2

На рис. 3.3 изображена многослойная сеть, которая может обучаться с помощью процедуры обратного распространения. Для ясности рисунок упрощен. Первый слой нейронов ( соединенный с входами) служит лишь в качестве распределительных точек, суммирования входов здесь не производится. Входной сигнал просто проходит через них к весам на их выходах. А каждый нейрон последующих слоев выдает сигналы NET и OUT, как описано выше. [16]

Активационная функция. [17]

На рис. 6.19 изображена многослойная сеть, которая может обучаться при помощи процедуры обратного распространения. [18]

Модель нейрона. [19]

Разработан ряд алгоритмов обучения многослойных сетей - настройки весов и смещений из условия минимизации функционала, оценивающего сумму квадратов отклонений выхода сети от выхода моделируемого объекта. [20]

Обычно применяется для обучения многослойных сетей прямого распространения. [21]

Активационная функция. [22]

На рис, 1.35 изображена многослойная сеть, которая может обучаться при помощи процедуры обратного распространения. [23]

Вогнутая область решений, задаваемая трехслойной сетью. [24]

Несмотря на то что возможности многослойных сетей были известны давно, в течение многих лет не было теоретически обоснованного алгоритма для настройки их весов. В последующих главах мы детально изучим многослойные обучающие алгоритмы, но сейчас достаточно понимать проблему и знать, что исследования привели к определенным результатом. [25]

Кроме того, при обучении многослойной сети может возникнуть явление, называемое параличом сети. Оно проявляется в том, что, несмотря на длительное время обучения, ошибка может практически не убывать, оставаясь достаточно большой. Такая ситуация может возникнуть, если веса связей и значения активностей велики по модулю. При этом вход ряда нейронов оказывается на крыльях сигмоида, где производная мала. Поэтому сеть может слабо реагировать на коррекцию весов, Это одна из причин, по которой часто используют не сам алгоритм обратного распространения ошибки, а его модификации. [26]

Классификация ИНС. [27]

В настоящей работе рассматривается категория многослойных сетей пер-цептронного типа, предназначенных для реализации нелинейных отображений входо-выходных последовательностей экспериментальных данных. [28]

Поскольку обсуждаемая нами структура представляет собой многослойную сеть и, как уже отмечалось, алгоритм обратного распространения ошибки можно обобщить на любую сеть с прямым распространением сигнала, то ничто не препятствует тому, чтобы предлагаемый модуль нечеткого управления обучать также, как и обычную нейронную сеть. [29]

Область связей нейрона. [30]

Страницы: 1 2 3 4 5