Page 141 - 4196

Одним із важливих параметрів навчання є параметр
 швидкості навчання 0    1 . Якщо   0 , то мере-
жа може навчатися нескінченно довго. Деякий тестовий
приклад в процесі навчання може активізувати інший
вихідний нейрон. Як наслідок виникає питання про ста-
лість нейтронної мережі, коли еталонні об’єкти не змі-
нюють своєї належності до певного класу після кінцевої
кількості ітерацій навчального процесу. Одним із спосо-
бів досягнення сталості полягає в зменшенні параметру
швидкості, що приводить до гальмування навчання. Але
в цьому випадку з’являється інша проблема - зменшення
пластичності мережі (здатності узагальнювати нові дані).
Ці особливості навчання методом змагання відомі під
назвою дилеми сталості – пластичності.
Конкретна алгоритмічна реалізація правил навчан-
ня залежить від поставленої задачі. В таблиці представ-
лені різні алгоритми навчання та пов’язані з ними архіте-
ктури мереж (список не є вичерпним). Кожний алгоритм
навчання зорієнтований на мережу певної архітектури і
розрахований на обмежене коло задач. Більшість алгори-
тмів навчання будується на основі ітеративної процеду-
ри.

141