Page 47 - 4713

Нейромережа зворотного поширення похибки (Back
Propagation)

Типова мережа ВackРropagation має вхідний прошарок, вихідний
прошарок та принаймні один прихований прошарок. Теоретично,
обмежень відносно числа прихованих прошарків не існує, але

практично застосовують один або два.
Нейрони організовані в пошарову структуру з прямою
передачею сигналу. Кожний нейрон мережі продукує зважену суму

своїх входів, пропускає цю величину через передатну функцію і
видає вихідне значення. Мережа може моделювати функцію
практично будь якої складності, причому число прошарків і число
нейронів у кожному прошарку визначають складність функції.

Визначення числа проміжних прошарків і числа нейронів в них є
важливим при моделюванні мережі. Більшість дослідників та
інженерів, застосовуючи архітектуру до визначених проблем

використовують загальні правила, зокрема:
1. Кількість входів та виходів мережі визначаються кількістю
вхідних та вихідних параметрів досліджуваного об'єкту, явища,
процесу, тощо. На відміну від зовнішніх прошарків, число нейронів

прихованого прошарку n прих обирається емпіричним шляхом.
2. Якщо складність у відношенні між отриманими та
бажаними даними на виході збільшується, кількість нейронів

прихованого прошарку повинна також збільшитись.
3. Якщо процес, що моделюється, може розділятись на багато
етапів, потрібен додатковий прихований прошарок (прошарки). Якщо

процес не розділяється на етапи, тоді додаткові прошарки можуть
допустити перезапам'ятовування і, відповідно, невірне загальне
рішення.

Алгоритм навчання мережі
1. Ініціалізація мережі: вагові коефіцієнти і зсуви мережі
приймають малі випадкові значення.
2. Визначення елемента навчальної множини: (вхід - вихід).

Входи (x , x ... x ), повинні розрізнятися для всіх прикладів
2
1
N
навчальної множини.
3. Обчислення вихідного сигналу:
4. Налаштування синаптичних ваг:
Тип вхідних сигналів: цілі чи дійсні.
Тип вихідних сигналів: дійсні з інтервалу, заданого передатною
функцією нейронів.

47