Навчання прошарку Гросберга

Прошарок Гросберга навчається з учителем адже для кожного нейрона Гросберга відомий очікуваний еталонний вихід. Враховуючи те, що лише один нейрон Коххонена на виході формує одиничний сигнал (переможець), то корекція ваг нейронів Гросберга буде здійснюватись лише в тих, які пов’язані із переможцем у прошарку Коххонена.

Математично процес навчання можна записати натупним чином:

= + ɣ (t_k - (6)

Тут ____ - новий ваговий коефіцієнт зв’язку між j -тим нейроном Коххонена та k- тим нейроном Гросберга;

____ - старий ваговий коефіцієнт зв’язку між нейронами Коххонена та гросберга;

t _k - очікуваний еталонний вихід k - ого нейрона Гросберга;

– вихід j – ого нейрона Кох, лише один нейрона Кох дає одиничний вихід, решта – нуль 0.

ɣ - коефіцієнт швидкості навчання який початково обирається ≈0.1. В подальшому ɣ зменьшується до

ɣ = 0.1,…,0.0001 0.01

Розділ 3. ШТУЧНІ НЕЙРОННІ МЕРЕЖІ ЗІ ЗВОРОТНИМИ ЗВ’ЯЗКАМИ(FEED BACK)

До мережі зі звортоніми зв’язками відрізняються лише від мереж FF, тим що сигнал у них може повертатися на попереді прошарки і циклічно проходити через мережу деку кількість разів, окрім такої відміни у топології зв’язків між прошароками, мережі FB відрізняється від мережі FF ще алгоритмічне навчання:

FF – мережі переважно навчаються з учителем, а

FB - мережі переважно без учителя

Крім такої відмінності є ще відмінність у властивостях, є ще відміність у властивості стійкості мереж:

FF – вважаються абсолютно стійкими, хоча у випадку навчання мережі незначна зміна вхідних даних приводить до незначної зміни вихідних.

У випадку FB – стійкість не є абсолютною, тут навпаки проблема стійкості є візуальною.

Незважаючи на суттєву проблему із стійкістю FB мереж вони мають широке коло застосувань для ряду інтелектуальних задач:

- асоціативна пам’ять

- двоскерована асоціативна пам’ять

- класифікація та розпізнавання орбазів

Дата добавления: 2015-08-31