Page 161 - 4196

n  1  n
W   Wt  t   1   y  y  , (4.96)
ij ij i j
де  - коефіцієнт швидкості навчання; W - ваговий кое-
ij
 1
фіцієнт зв’язку між i -м нейроном n  -го шару та j-м
нейроном n -го шару; y n  1 - вихідне значення i -го ней-
i
рону n  -го шару; y  n - вихідне значення j-го нейро-
 1
j
ну n -го шару. При навчанні сигнальним методом підси-
люються зв’язки між збудженими нейронами.
Існує також диференційний алгоритм навчання Хе-
бба:

W ij   t  W ij t   1 
(4.97)
n  1 n  1  n n  1
  y   yt  t  1  y   yt  t  1 .
i i j j
При навчанні диференційним алгоритмом підсилюються
зв’язки тих нейронів, виходи котрих змінилися найбільш
динамічно.
Послідовність навчання алгоритмами Хебба буде
такою:
1 Перед початком навчання усім ваговим коефіціє-
нтам надаються невеликі випадкові значення.
2 На входи мережі подається об’єкт-образ і за алго-
ритмом прямого поширення знаходяться вихідні значен-
ня усіх нейронів.
3 За формулами (4.96) або (4.97) виконується коре-
кція усіх вагових коефіцієнтів.
4 Перехід до пункту 2.
5 Цикл ітерацій завершується, якщо зміни вагових
коефіцієнтів не суттєві.
На другому кроці почергово подаються усі об’єкти
із вхідного набору даних.

2 Алгоритм навчання Кохонена
В іншому алгоритмі навчання Кохонена вагові кое-
фіцієнти коректуються за правилом

161