Page 70 - 4703

того, як навчання мережі завершене, ви можете перевірити
якість її роботи на окремій тестовій множині.

У пакеті STATISTICA Neural Networks реалізований та-
кож цілий ряд алгоритмів навчання для мереж іншої архітек-
тури. Параметри радіальних елементів і коефіцієнти згладжу-
вання у мережі на радіальних базисних функціях і узагальне-
но-регресійній мережі можуть вибиратися методами навчання
Кохонена, підвибірки, K-средних, найближчих сусідів або ізо-
тропно. Нейрони лінійного вихідного шару у радіальної бази-
сної функції і у лінійних мережах повністю оптимізуються
методом сингулярного розкладання (SVD).

Алгоритми навчання

 Зворотне поширення.
 Левенберга-Маркара.
 Зв'язаних градієнтів.
 Швидке поширення.
 Дельта - дельта з рискою.
 Лінійне сингулярне розкладання.
 Навчання Кохонена.
 Підвибірка.
 Метод K –средних.
 Метод найближчих сусідів (KNN).
 Ізотропне відхилення.
 Навчання імовірнісної мережі.
 Навчання узагальнено-регресійної мережі.

2.7 Створення гібридних структур мереж

У системі STATISTICA Neural Networks є можливість
створювати мережі мішаної структури. Наприклад, у модифі-
кованої радіальної базисної функції перший шар нейронів мо-
же навчатися за алгоритмом Кохонена, а другий - нелінійний
шар - методом Левенберга-Маркара.

2.8 Тестування нейронної мережі

70