Page 64 - 4524

палу дозволяє уникаючи локальний мінімум, просуватись до
глобального.
Як і в мережі Хопфілда, мережі може бути представле-
ний частковий образ для доповнення відсутньої інформації.
Обмеження на число класів, що є менше ніж 15 % від загаль-
ної кількості елементів у прошарку образів, все ще застосову-
ється.
Алгоритм функціонування мережі
1. Визначити змінну T, що представляє штучну темпера-
туру.
2. Пред'явити мережі множину входів і обчислити вихо-
ди та цільову функцію.
3. Дати випадкову зміну вагам і перерахувати вихід ме-
режі та зміну цільової функції у відповідності зі зробленою
зміною ваг.
4. Якщо цільова функція зменшилась, то зберегти зміну
ваг.
Якщо зміна ваг приводить до збільшення цільової функ-
ції, то Ймовірність збереження цієї зміни обчислюється за до-
помогою розподілу Больцмана:
c

P( c ) e kT , (5.18)
де P(c) - Ймовірність зміни c у цільовій функції; k - константа,
аналогічна константі Больцмана, що вибирається в залежності
від задачі; T - штучна температура.
Вибирається випадкове число r з рівномірного розподілу
від нуля до одиниці. Якщо P(c) більше, ніж r, то зміна зберіга-
ється, у противному випадку величина ваги повертається до
попереднього значення.
Ця процедура дає можливість системі робити випадко-
вий крок у напрямку, що псує цільову функцію, дозволяючи
їй тим самим вириватися з локальних мінімумів.
Кроки 3 і 4 повторюються для кожної з ваг мережі, пос-
тупово зменшуючи температуру T, поки не буде досягнуте
припустиме низьке значення цільової функції. У цей момент
пред'являється інший вхідний вектор і процес навчання по-
вторюється. Мережа навчається на всіх векторах навчальної
множини, поки цільова функція не стане припустимої для всіх
з них.

63