67 сколько иной смысл. Обучение каждой НС заключается в применении генетических операторов к генотипу вектора Wi, т.е. к хромосоме Hi, а обучающая Е. выборка служит для вычисления ошибки обучения 1 нейронной сети HCi применительно к фенотипу. Конечная цель обучения НС минимизация функции ошибки Ео>Поверхность многомерной функции Ео является сложной, содержащей в общем случае глобальный и множество локальных минимумов [25]. Полученные ранее результаты по исследованию свойств и особенностей ГА используются для конструирования алгоритма обучения НС, обладающего лучшими качествами в смысле повышения процента правильного распознавания и уменьшения времени, затрачиваемого на обучение. Целью работы генетического алгоритма является нахождение таких значений весовых коэффициентов связей для всех нейронов скрытых и выходного слоя, которые обеспечивают заданное значение Ео при минимальном времени обучения либо минимальное значение Ео при заданном времени обучения [101]. Запишем алгоритм обучения НС с помощью генетического алгоритма. Шаг 1. Задать обучающую и тестовую выборку. Шаг 2. Сформировать с помощью одного из методов Конструктора ГА топологию НС. Шаг 3. Задать функцию Fit в виде £ = 4 ¿ м л ) 2 , (2.24) где Р число примеров в обучающей выборке; di желаемая величина выхода; yi реальное значение выхода. Шаг 4. Используя-метод числового кодирования, представить хромосомы с учетом заданной топологии НС. Установить соответствие между генотипом и фенотипом, введя ограничения на возможные значения весовых коэф |
тичсских операторов к генотипу вектора \У„ т.е. к хромосоме //,, а обучающая выборка служит для вычисления ошибки обучения Е, нейронной сети //С/ применительно к фенотипу. Особенностиреализации алгоритма обучения на основе ГА Конечная цель обучения НС минимизация функции ошибки Е0. Поверхность многомерной функции Е0является сложной, содержащей в общем случае глобальный и множество локальных минимумов. Полученные ранее результаты по исследованию свойств и особенностей ГА используются для конструирования алгоритма обучения МНС, обладающего лучшими качествами в смысле повышения процента правильного распознавания и уменьшения времени, затрачиваемого на обучение. Целью работы генетического алгоритма является нахождение таких значений весовых коэффициентов связей для всех нейронов скрытых и выходного слоя, которые обеспечивают заданное значение Е0 при минимальном времени обучения либо минимальное значение Е0 при заданном времени обучения. Запишем алгоритм обучения МНС с помощью генетического алгоритма Шаг 1. Задать обучающую и тестовую выборку. Шаг 2. Сформировать с помощью одного из методов Конструктора ГА топологию МНС. Шаг 3. Задать функцию Ий в виде Е 1 р Е м л ) 2.р (3.9) /=1 175 где Р число примеров в обучающей выборке; ^ желаемая величина выхода; уI реальное значение выхода. Шаг 4. Используя метод числового кодирования, представить хромосомы с учетом заданной топологии МНС. Установить соответствие между генотипом и фенотипом, введя ограничения на возможные значения весовых коэффициентов, учитывая вид функции активации (для сигмоидальной функции активации диапазон изменения значений весовых коэффициентов: (-1.+ 1)). Шаг 5. С учетом результатов экспериментального исследования ГА выбрать генетические операторы, являющиеся наилучшими при оптимизации многоэкстремальных функций и функций многих переменных: кроссинговер рекомбинация; мутация хромосомная инверсия, вероятность мутации О, 1; оператор селекции "дальнее родство" с переходом на последних к итерациях (к задается пользователем) на "ближнее родство" в сочетании с оператором элитного отбора. Задать максимально возможную ошибку обобщения •Гобщ. Шаг 6 . На основе результатов исследования ГА сформировать популяцию из г хромосом (/< =50), число поколений (итераций ) с=25. Шаг 7. Применить оператор селекции для выбора пар хромосом для скрещивания. Шаг 8 . Применить генетические операторы кроссинговера и мутации к популяции. 176 |