Иногда слишком часто получающие аккредитацию нейроны принудительно исключаются из рассмотрения, чтобы уравнять права всех нейронов слоя

Алгоритм обучения сходен с алгоритмом Хебба. Основное отличие в том, что на шаге 3 из всего слоя выбирается нейрон, значения синапсов которого максимально походят на входной образ, и подстройка весов производится только для него. Подстройка весов выбранного нейрона называется аккредитацией.

Обучение сводится к минимизации разницы между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слоя, и весовыми коэффициентами его синапсов.

Критерии выбора аккредитуемого нейрона:

а) Максимум скалярного произведения вектора весов синапсов нейрона и вектора входа нейрона.

б) Минимум расстояния между этими векторами:

С целью сокращения длительности процесса обучения нормируют входные образы и начальные значения весовых коэффициентов:

Чтобы избежать отрицательных последствий случайного выбора весовых коэффициентов, используют метод выпуклой комбинации. Входные нормализованные образы подвергаются преобразованию:

где a (t) – коэффициент, изменяющийся в процессе обучения от нуля до единицы, в результате чего вначале на входы сети подаются практически одинаковые образы, а с течением времени они все больше сходятся к исходным.

4.1.5. Настройка количества нейронов в скрытых слоях НС в процессе обучения

Дата добавления: 2014-01-20