|
91 3. Проведено исследование градиентных методов оптимизации в процедуре обучения НС. Отмечены их недостатки, связанные с низкой вероятностью достижения глобального экстремума и обоснована необходимость применения более эффективных методов. 4. Проведено исследование применения генетического алгоритма для обучения многослойного персептрона. Найдены оптимальные параметры алгоритма, обеспечивающие наилучшее качество обучения. 5. Разработаны и исследованы комбинированные алгоритмы оптимизации на основе генетического алгоритма и квазиньютоновских методов оптимизации. 6. Решена задача интерпретации результатов работы нейронной сети, что позволяет строить "логически прозрачные" НС для пользователя и в явном виде давать объяснение результатов. Решение получено на основе разработки алгоритма формирования нечеткой базы знаний по примерам, который на основе заданной обучающей выборки позволяет формировать нечеткие продукционные правила. |
3. Определено понятие многомодульной нейронной сети, позволяющей строить многомодульные НС из предварительно обученных модулей и готовых проектов нейронных сетей за счет введения одного или нескольких промежуточных слоев, объединяющих фрагменты знаний. Это дает возможность наращивать структуру НС в процессе формирования решений в ИСППР. 4. Сформулирована задача синтеза нейронного модуля и многомодульной нейронной сети для выполнения конкретного приложения, связанная с выбором типа нейронной сети, формированием топологии и обучением. 5. Решена задача интерпретации результатов работы нейронной сети, что позволяет строить "логически прозрачные" НС для пользователя и в явном виде давать объяснение результатов. Решение получено на основе разработки оригинального алгоритма формирования нечеткой базы знаний по примерам, который на основе заданной обучающей выборки позволяет формировать нечеткие продукционные правила. Исследована проблема устранения конфликтов при создании нечеткой базы знаний, используемой для объяснения результатов работы НС. 128 |