104 На первой схеме все векторы весов и обучающего множества имеют одно и то же значение. По мере обучения обучающие векторы расходятся к своим истинным значениям, а векторы весов следуют за ними. В итоге в сети не остается необученных нейронов и плотность векторов весов соответствует плотности векторов обучающего множества. Однако, процесс увеличения (3 требует многих итераций, и время обучения растягивается. Это существенный недостаток метода выпуклой комбинации. 3.2. Оптимизация распределения кредита между несколькими клиентами вусловиях ограниченного кредитного ресурса Пусть имеется К объектов кредитования, участвующих в распределении денежных средств, общей суммой V. Для г'-ого объекта выделяется сумма кредита объёмом V ,-. За показатель вероятности возврата вложенных средств, принимается коэффициент Nj score. Далее рассматриваются только фирмы, для которых: Ni>Nrp, где Ngp нижний предел показателя вероятности возврата кредита, определяе’ мый априори. Также необходимо задать коэффициент (Q), определяющий процентную ставку кредита, а также два критерия, определяющих тип кредита и экономическую отрасль для данного юридического лица: |
56 Рис. . Обучение методом выпуклой комбинации. На первой схеме все векторы весов и обучающего множества имеют одно и то же значение. По мере обучения обучающие векторы расходятся к своим истинным значениям, а векторы весов сле дуют за ними. В итоге в сети не остается необученных нейронов и плотность векторов весов соответ ствует плотности векторов обучающего множества. Однако, процесс увеличения β требует многих итераций, и время обучения растягивается. Это существенный недостаток метода выпуклой комби нации. Модификации алгоритма обучения Чувство справедливости: чтобы не допустить отсутствие обучения по любому из нейронов, вво дится "чувство справедливости". Если нейрон чаще других выигрывает "состязание", т.е. получает максимальный выход чаще, чем в 1 из M случаев, то его значение выхода искусственно уменьшает ся, чтобы дать возможность выиграть другим нейронам. Это включает все нейроны сети в процесс обучения. Коррекция весов пропорционально выходу: в этой модификации корректируются не только веса вы игравшего нейрона, но и всех остальных, пропорционально их нормированному выходу. Норми ровка выполняется по максимальному значению выхода слоя или по его среднему значению. Этот метод также исключает "мертвые" нейроны и улучшает распределение плотности весов. Режимы работы сети Обычная сеть Кохонена работает в режиме аккредитации. Это означает, что активируется единст венный нейрон Кохонена с максимальным значением выхода. Можно не затормаживать остальные нейроны слоя Кохонена, а пронормировать выходные сиг налы, например, функцией активации softmax: |