Обучающий алгоритм

Cтраница 1

Обучающие алгоритмы могут быть классифицированы как алгоритмы обучения с учителем и без учителя. В первом случае существует учитель, который предъявляет входные образы сети, сравнивает результирующие выходы с требуемыми, а затем настраивает веса сети таким образом, чтобы уменьшить различия. Трудно представить такой обучающий механизм в биологических системах; следовательно, хотя данный подход привел к большим успехам при решении прикладных задач, он отвергается исследователями, полагающими, что искусственные нейронные сети обязательно должны использовать те же механизмы, что и человеческий мозг. [1]

Обучающий алгоритм настраивает весовые векторы в окрестности возбужденного нейрона таким образом, чтобы они были более похожими на входной вектор. Так как все векторы нормализуются в векторы с единичной длиной, они могут рассматриваться как точки на поверхности единичной гиперсферы. В процессе обучения группа соседних весовых точек перемещается ближе к точке входного вектора. Предполагается, что входные векторы фактически группируются в классы в соответствии с их положением в векторном пространстве. [2]

Обучающий алгоритм производит проверку полученного решения, подставляя найденные значения корней в исходное уравнение. Если эти значения корней удовлетворяют уравнению, то рабочий алгоритм сохраняется неизменным. Если же решение найдено неверно ( как в рассмотренном только что случае), то в качестве рабочего алгоритма выбирается следующая по порядку формула. [3]

Простейший обучающий алгоритм использует правило Хэбба [8], в котором изменение веса пропорционально уровню активации его нейрона-источника и уровню активации нейрона-приемника. [4]

Рассмотренный далее обучающий алгоритм используется как в случае успешного, так и в случае неуспешного поиска. [5]

Разработан эффективный обучающий алгоритм для обучения НС на основе радиальной базисной функции. Основное его отличие от других - это то, что он не является итеративным, т.е. обучение для заданной конфигурации сети и приведенного набора обучающих примеров производится за один проход и наилучшим образом. [6]

Выбор эффективного обучающего алгоритма всегда включает в себя компромисс между сложностью решаемой задачи и техническими ограничениями ( быстродействие, время, цена, объем памяти) инструментальной ЭВМ, на которой реализуются данные алгоритмы. Поэтому необходимо исследовать новые алгоритмы обучения НС, позволяющие добиваться лучшей эффективности. [7]

ОБУЧАЮЩАЯ ПРОГРАММА ( обучающий алгоритм), полное описание процесса обучения, содержащее уч. [8]

В заголовке приводится тип обучающего алгоритма, далее - имя сетевого файла и имя обучающего файла. Ниже показывается график средней ошибки. [9]

В основе составления и применения обучающих алгоритмов находится главным образом дедуктивная форма организации познавательной деятельности. В последнее время пределы учебных алгоритмов расширены, их стали применять не только к детерминированным, но и к стохастическим преобразованиям. [10]

Для каждого типа архитектуры и обучающего алгоритма ИНС имеются функции инициализации, обучения, адаптации, создания и моделирования, демонстрации и примеры применения. [11]

В настоящее время используется огромное разнообразие обучающих алгоритмов. Потребовалась бы значительно большая по объему книга, чем эта, для рассмотрения этого предмета полностью. Чтобы рассмотреть этот предмет систематически, если и не исчерпывающе, в каждой из последующих глав подробно описаны алгоритмы обучения для рассматриваемой в главе парадигмы. В дополнение в приложении Б представлен общий обзор, в определенной мере более обширный, хотя и не очень глубокий. В нем дан исторический контекст алгоритмов обучения, их общая таксономия, ряд преимуществ и ограничений. В силу необходимости это приведет к повторению части материала, оправданием ему служит расширение взгляда на предмет. [12]

Скорость сходимости есть скорость, с которой обучающий алгоритм приходит к полному распознаванию. Эта характеристика представляет интерес с точки зрения экономичности разработки эффективных классификаторов образов. Быстрая сходимость важна в случаях ограниченности бюджета машинного времени. [13]

Диалоговое окно ввода векторов обучения. [14]

Перед началом процесса обучения необходимо выбрать один из двух обучающих алгоритмов. Алгоритм On-Line Back Propagation предусматривает вычисление ошибки после предъявления каждого вектора обучающей выборки внутри цикла обучения. Алгоритм Batch Back Propagation предусматривает вычисление ошибки после завершения каждого цикла обучения. Общих рекомендаций по выбору того, или иного алгоритма не существует. [15]

Страницы: 1 2 3 4