Cтраница 3
На рис. 2.12 и 2.13 показаны процессы градиентного спуска для двух случаев, различающихся выбором исходных точек. В первом случае ( ему на рис. 2.12 соответствует ломаная линия АВГО, а на рис. 2.13 - АВО) исходная точка была взята совершенно произвольно. Аналогичные дополнительно проведенные исследования подтвердили тот факт, что для паротурбинных блоков данная невыпуклая задача имеет в действительности единственное решение. Влияние нелинейных функций ограничения вида (2.8) на сходимость процесса и итоговые значения минимизируемой функции хорошо видны на рис. 2.12 и 2.13. Здесь для построения ломаной линии ВС после семи проделанных шагов ограничения на функции F были искусственно сняты. [31]
В предположениях теоремы 1.1 оценить скорость сходимости градиентного спуска не представляется возможным. [32]
В этом случае рассматриваемый метод называют методом наискорейшего градиентного спуска, или просто методом наи - скорейшего спуска. [33]
В этом случае рассматриваемый метод называют методом наискорейшего градиентного спуска или просто методом наискорейшего спуска. [34]
В обратном распространении для коррекции весов сети используется градиентный спуск, продвигающийся к минимуму в соответствии с локальным наклоном поверхности ошибки. Он хорошо работает в случае сильно изрезанных невыпуклых поверхностей, которые встречаются в практических задачах. В одних случаях локальный минимум является приемлемым решением, в других случаях он неприемлем. [35]
При этом необходима строгая проверка решения, ибо градиентный спуск или подъем могут привести к экстремальной точке, которая на самом деле окажется не глобальным, а лишь одним из локальных оптимумов. [36]
Решение задачи ( 6) осуществляется некоторым вариантом градиентного спуска. [37]
Относительно сравнительной эффективности метода аппроксимации касательными и метода градиентного спуска известно мало. Не следует преувеличивать простоту градиентных процедур с точки зрения построения вычислительных программ, поскольку даже простейшие методы требуют введения в качестве подпроцедуры одномерного поиска. Если это делается достаточно эффективно, то программа в целом может оказаться достаточно сложной. Метод аппроксимации касательными требует использования программ линейного программирования. Однако, даже если эти подпрограммы доступны, то при составлении общей программы требуется предусмотреть связи, позволяющие использовать результаты решения предшествующих подпрограмм для ускорения решения последующих. [38]
Оптимальную конфигурацию можно искать с помощью стандартной процедуры градиентного спуска, начиная от некоторой начальной конфигурации и изменяя уг в направлении наибольшего уменьшения функции критерия. [39]
Итерационный процесс для минимизации функционала (1.1) строится методом градиентного спуска. [40]
В частности, в L66 ] реализован метод градиентного спуска для ОЦР. Коротко существо его состоит в следующем. Из приближенного расчета известна резонансная частота СО. [41]
Распространенным методом минимизации функций большого числа переменных является метод градиентного спуска. [42]
Итерационные алгоритмы используют различные идеи: необходимые условия оптимальности, градиентный спуск в пространстве управления, улучшение с конечным сдвигом по управлению. [43]
Такими методами являются, например, методы градиентного типа: градиентный спуск с постоянным шагом и наискорейший градиентный спуск. [44]
Метод обратного распространения ошибки по своей идее близок к методу градиентного спуска. [45]