|
же аксоном. Идея работы сети состоит в нахождении расстояния Хэмминга от тестируемого образа до всех образцов. Расстоянием Хэмминга называется число отличающихся битов в двух бинарных векторах. Сеть должна выбрать образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу. Сеть Хэмминга способна правильно распознавать только слабо зашумленные входные сигналы. Возможность использования только бинарных входных сигналов существенно ограничивает область применения. 3.3. Методы и алгоритмы обучения нейронных сетей. Для того чтобы сеть выполняла решение поставленной задачи, необходимо провести ее обучение. Существуют самообучающиеся нейронные сети и сети с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором множестве таких пар. Предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемого низкого уровня. Обучение без учителя не нуждается в целевом векторе для выходов и не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные вектора, то есть, чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, 106 |
(отрицательными обратными) синаптическими связями. Единственный синапс с положительной обратной связью для каждого нейрона соединен с его же аксоном. Идея работы сети состоит в нахождении расстояния Хэмминга от тестируемого образа до всех образцов. Расстоянием Хэмминга называется число отличающихся битов в двух бинарных векторах. Сеть должна выбрать образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу. Сеть Хэмминга способна правильно распознавать только слабо зашумленные входные сигналы. Возможность использования только бинарных входных сигналов существенно ограничивает область применения. Таким образом, для решения задачи определения концентрации вредных веществ в воздушной среде будет использоваться многослойная полносвязная гомогенная нейронная сеть вида многослойныйтперсептрон. 3.4. ОБУЧЕНИЕ НЕЙРОННОЙ СЕГИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ Для того чтобы сеть выполняла решение поставленной задачи, необходимо провести ее обучение. Существуют самообучающиеся нейронные сети и сети с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором множестве таких нар. Предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого 79 вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемого низкого уровня. Обучение без учителя не нуждается в целевом векторе для выходов и не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные вектора, то есть, чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные вектора в классы. Но до обучения не возможно предсказать какой выход будет производиться данным классом входных векторов. Таким образом, сети с обучением без учителя удобно использовать для задач классификации и кластеризации, для задачи определения концентрации вредных веществ в воздушной среде целесообразнее обучение с учителем, учитывая множество имеющихся в наличии обучающих пар: значения спектра поглощения и соответствующие значения концентрации. 3.4.1. Методы и алгоритмы обучения нейронных сетей Существует различные методы для обучения нейронной сети. Детерминированный метод обучения шаг за шагом осуществляющий процедуру коррекции весов сети, основанную на использовании их текущих значений, а также величин входов, фактических выходов и желаемых выходов. Стохастический метод обучения, выполняющий псевдослучайные изменения величин весов, сохраняя те изменения, которые ведут к улучшению результатов работы сети. Эвристические алгоритмы обучения, к которым относится генетический алгоритм поиска, моделирующий процессы природной эволюции и позволяющий из множества решений (популяций) выбрать наилучшее решение. К детерминированньм методам относится алгоритм обратного распространения ошибки, к стохастическим методам относится машина Больцмана и машина Коши. 80 |