Page 53 - 4524
P. 53

бути подолано вибором доцільних навчальних прикладів або
                            розширенням вхідного прошарку.
                                  Мережа  квантування  навчального  вектора  страждає  від
                            дефекту, що деякі нейрони мають тенденцію до перемоги за-
                            надто  часто,  тобто  налаштовують  свої  ваги  дуже  швидко,  а
                            інші постійно залишаються незадіяними. Це часто трапляєть-
                            ся, коли їх ваги мають значення далекі від навчальних прик-
                            ладів. Щоб пом'якшити цю проблему, нейрон, який перемагає
                            занадто  часто  штрафується,  тобто  зменшуються  ваги  його
                            зв'язків з кожним вхідним нейроном. Це зменшення ваг є про-
                            порційним до різниці між частотою перемог нейрону та час-
                            тотою перемог середнього нейрону.
                                  Переваги. Алгоритм граничної корекції використовуєть-
                            ся для вдосконалення рішення навіть коли було знайдено від-
                            носно добре рішення. Алгоритм спроможний діяти, коли ней-
                            рон-переможець знаходиться у неправильному класі, а другий
                            найкращий  нейрон  у  правильному  класі.  Навчальний  вектор
                            повинен бути близько від середньої точки простору, що з'єд-
                            нує ці два нейрони. Неправильний нейрон-переможець зміщу-
                            ється з навчального вектора, а нейрон з іншого місця посува-
                            ється до навчального вектора. Ця процедура робить чіткішою
                            межу між областями, де можлива невірна класифікація.
                                  На початку навчання бажано відключити відштовхуван-
                            ня. Нейрон-переможець пересувається до навчального вектора
                            лише  тоді,  коли  навчальний  вектор  та  нейрон-переможець
                            знаходяться в одному класі. Це право вибору доцільне, коли
                            нейрон повинен оминати область, яка має відмінний клас для
                            досягнення необхідної області.

                                  5.9 Мережа зустрічного поширення (Counter Рropaga-
                            tion)

                                  Роберт  Хехт-Нільсен  (Robert  Hecht-Nielsen)  розробив
                            мережу СounterРropagation як засіб для поєднання неконтро-
                            льованого  прошарку  Кохонена  із  контрольованим  вихідним
                            прошарком. Мережа призначена для вирішення складних кла-
                            сифікацій,  при  мінімізації  числа  нейронів  та  часу  навчання.
                            Навчання для мережі СounterРropagation подібне до мережі з
                            квантуванням навчального вектора.


                                                           52
   48   49   50   51   52   53   54   55   56   57   58