Нейросети
Нейросети
Нейросети
Нейросети
Нейросети



Нейросети
Глава 1   Глава 2

 

 

где 2

ij w – синаптический вес, i – номер нейрона, j – номер входа, N – число нейронов, M – размерность входного сигнала нейронов;

Метод проекций реализуется следующим образом. Синаптический вес обнуляется, если его значение попало в заданный диапазон

где ε – некоторая константа.

Алгоритмы сокращения имеют по крайней мере два недостатка:

1. Нет методики определения числа нейронов скрытых слоев,

которое является избыточным, поэтому перед началом работы алгоритма нужно угадать это число.

2. В процессе работы алгоритма сеть содержит избыточное число нейронов, поэтому обучение идет медленно. Предшественником конструктивных алгоритмов можно считать методику обучения многослойных сетей, включающую в себя следующие шаги:

1. Выбор начального числа нейронов в скрытых слоях.

2. Инициализация сети, то есть присваивание синаптическим весами смещениям сети случайных значений из заданного диапазона.

3. Обучение сети по заданной выборке.

4. Завершение в случае успешного обучения; если сеть обучить не удалось, то число нейронов увеличивается, и повторяются шаги со второго по четвертый В конструктивных алгоритмах число нейронов в скрытых слоях также изначально мало и постепенно увеличивается. В отличие от описанной методики, в конструктивных алгоритмах сохраняются навыки, приобретенные сетью до увеличения числа нейронов.

Конструктивные алгоритмы различаются правилами задания значений параметров в новых – добавленных в сеть – нейронах:

1. Значения параметров – случайные числа из заданного диапазона;

2. Значения синаптических весов нового нейрона определяются

путем расщепления (splitting) одного из старых нейронов.

Первое правило не требует значительных вычислений, однако

его использование приводит к некоторому увеличению значения

функции ошибки после каждого добавления нового нейрона. В ре-

зультате случайного задания значений параметров новых нейронов

может появиться избыточность в числе нейронов скрытого слоя.

Расщепление нейронов лишено двух указанных недостатков.

Самым большим недостатком алгоритма является экспоненци-

альный рост времени вычислений при увеличении размерности сети.

Для преодоления указанного недостатка предлагается упрощенный

алгоритм расщепления который не требует значительных вычисле-

ний.

Кроме описанных способов выбора нейронов для расщепления,

может быть использован анализ чувствительности, в процессе кото-

рого строятся матрицы Гессе - матрицы вторых производных функ-

ции ошибки по параметрам сети. По величине модуля второй произ-

водной судят о важности значения данного параметра для решения

задачи. Параметры с малыми значениями вторых производных об-

нуляют. Анализ чувствительности имеет большую вычислительную

сложность и требует много дополнительной памяти.








         



Подпись: Начало
Подпись: Дальше

Пример применения нейронных сетей в задачах прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях 2