Page 53 - 4524

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