Page 59 - 4524

Рисунок 5.8 - Приклад Ймовірнісної нейронної мережі

Базова модель Ймовірнісної мережі має модифікації.
Припустимо, що пропорції класів у навчальній множині від-
повідають їх пропорціям у всій досліджуваній вибірці (апріо-
рна Ймовірність). Наприклад, якщо серед всіх людей хворими
є 2%, то в навчальній множині для мережі, яка діагностує за-
хворювання, хворих також повинно бути 2%. Якщо ж апріорні
імовірності відрізняються від пропорції в навчальній виборці,
мережа буде видавати невірний результат. Це можна врахува-
ти, вводячи корегуючі коефіцієнти для різноманітних класів.
Навчання Ймовірнісної нейронної мережі є набагато
простішим, ніж ВackРropagation. Істотним недоліком мережі є
її розмір, оскільки вона фактично вміщує в собі всі навчальні
дані, потребує багато пам'яті і може повільно працювати.

5.11 Мережа Хопфілда

Джон Хопфілд вперше представив свою асоціативну ме-
режу у 1982 р. у Національній Академії Наук. На честь Хоп-
філда та нового підходу до моделювання, ця мережна паради-
гма згадується як мережа Хопфілда. Мережа базується на ана-
логії фізики динамічних систем. Початкові застосування для
цього виду мережі включали асоціативну, або адресовану за
змістом пам'ять та вирішували задачі оптимізації.

58