Page 48 - 4713
P. 48

Тип  передатної  функції:  сигмоїдальна.  В  нейронних  мережах
            застосовуються кілька варіантів сигмоїдальних передатних функцій.

                   Функція Ферми (експонентна сигмоїда).
                   Раціональна сигмоїда.
                   Гіперболічний тангенс.

                   Сигмоїдальні  функції  є  монотонно  зростаючими  і  мають
            відмінні  від  нуля  похідні  по  всій  області  визначення.  Ці
            характеристики забезпечують  правильне  функціонування і  навчання

            мережі.
                   Області  застосування.  Розпізнавання  образів,  класифікація,
            прогнозування.
                   Недоліки.  Багатокритеріальна  задача  оптимізації  в  методі

            зворотного  поширення  розглядається  як  набір  однокритеріальних
            задач  -  на  кожній  ітерації  відбуваються  зміни  значень  параметрів
            мережі, що покращують роботу лише з одним прикладом навчальної

            вибірки. Такий підхід істотно зменшує швидкість навчання.
                   Переваги.  Зворотне  поширення  -  ефективний  та  популярний
            алгоритм  навчання  багатошарових  нейронних  мереж,  з  його
            допомогою вирішуються численні практичні задачі.

                   Модифікації.  Модифікації  алгоритму  зворотного  поширення
            зв'язані  з  використанням  різних  функцій  похибки,  різних  процедур
            визначення напрямку і величини кроку.

                   Які компоненти містить перцептрон Розенбалата?
                   Мережа принципово відрізняється від розглянутих вище мереж,
            оскільки  використовує  неконтрольоване  навчання  і  навчальна

            множина складається лише із значень вхідних змінних.
                   Мережа розпізнає кластери в навчальних даних і розподіляє дані
            до відповідних кластерів. Якщо в наступному мережа зустрічається з

            набором  даних,  несхожим  ні  з  одним  із  відомих  зразків,  вона
            відносить  його  до  нового  кластеру.  Якщо  в  даних  містяться  мітки
            класів, то мережа спроможна вирішувати задачі класифікації. Мережі
            Кохонена  можна  використовувати  і  в  задачах,  де  класи  відомі  -

            перевага  буде  у  спроможності  мережі  виявляти  подібність  між
            різноманітними класами.
                   Мережа Кохонена має всього два прошарки: вхідний і вихідний,

            що  називають  самоорганізованою  картою.  Елементи  карти
            розташовуються в деякому просторі - як правило двовимірному.
                   Мережа Кохонена навчається методом послідовних наближень.
            Починаючи  з  випадковим  чином  обраного  вихідного  розташування

                                                           48
   43   44   45   46   47   48   49   50   51   52   53