Page 168 - 4196

Подання на вхід першого шару деякого вектора
P    i,P i  0 ,..., p  1 викликає утворення на вході друго-
го шару іншого вектора Q    j,q  0 ,..., m  , 1 який зно-
j
ву подається на вхід першого шару. Із збільшенням кіль-
кості ітерацій вектори на виходах обох шарів наближа-
ються до деякої пари зразкових векторів X k , Y , причо-
k
му X подібний до P , а Y - асоційований із ним. Асо-
k
k
ційованість пар векторів задається ваговою матрицею
 1  2
W першого шару. Вагова матриця W другого шару
T
дорівнює W  2  W  1  . Процедура навчання ДАП –
мережі, як і у випадку мережі Хопфілда, полягає у попе-
редньому розрахунку елементів матриці W за форму-
лою:
T
W   X Y .
k
Мережі Хопфілда, Хеммінга і ДАП дозволяють просто та
ефективно розв’язувати задачу відновлення об’єктів за
неповною або спотвореною інформацією.

4.9.6 Мішаний алгоритм навчання

Мішаний алгоритм навчання реалізований в ней-
ронних мережах, які використовують радіальні базисні
функції (RBF – мережі). Вони являються частковим ви-
падком двохшарових мереж прямого слідування. Кожний
елемент першого шару використовує особливий вид ак-
тиваційної функції – радіальну базисну функцію гаусово-
го типу. Радіальна базисна функція (функція ядра)
центрується у точці, яка визначена ваговим вектором,
пов’язаним із нейроном. Як позицію, так і ширину функ-
ції ядра отримують шляхом навчання за зразками - ета-
лонами. Звичайно ядер (нейронів першого шару) значно
менше, ніж зразків. Кожний радіальний елемент відтво-
рює гаусову поверхню відгуку. Оскільки базисні функції
нелінійні, для моделювання довільної функції, яку пови-
нна відтворити нейронна мережа, достатньо одного шару
радіальних елементів. Кожний елемент другого шару

168