Составители:
Рубрика:
Глава 3. Динамические модели эволюции
141
представляет собой итерационную процедуру (число итераций может
составлять от 10
3
до 10
8
). Если выбрана обучающая выборка и вид
функции Е, то обучение сети превращается в задачу многомерной
нелинейной оптимизации [73], которая зачастую является крайне сложной
в практическом плане (см. также п. 10.2.1.3).
Поскольку создание интеллектуальных систем базируется во многом
на биологических прототипах, до сих пор не прекращается спор о том,
можно ли считать алгоритмы обучения с учителем аналогичными
природным процессам обучения, или они полностью искусственны.
Обучение без учителя.
Известно, что нейроны зрительной коры,
например, учатся реагировать на световые импульсы лишь под действием
самих импульсов, без внешнего учителя. В частности мы способны решить
такую сложную задачу, как выделение образов на предъявленной картине
и т.п. Однако высшие этапы обучения, например, у детей, невозможны без
«учителя» в лице его родителя. Кроме того, отдельные области в мозге
вполне могут выполнять роль «учителей» для других областей, управляя
их активностью. Поэтому нельзя однозначно сказать, какой тип обучения
биологически правдоподобнее – с учителем или без него.
В широко распространенном варианте обучение без учителя выглядит
следующим образом. Имеется набор входных векторов. Набора
соответствующих выходных векторов нет. Обучить сеть означает
подобрать ее параметры так, чтобы она некоторым «оптимальным»
образом классифицировала входные векторы. ИНС надо обучить разбивать
множество входных векторов на группы (классы) так, чтобы в один класс
попадали близкие друг к другу векторы, а отличия между классами были
относительно велики. Это делается путем оптимизации целевой функции,
зависящей от двух упомянутых факторов. При подаче нового входного
вектора, обученная сеть отнесет его к одному из классов, которые она
сформировала сама (без учителя). Один из самых известных примеров
такого способа решения задач классификации – обучение сети Кохонена,
см., например, [79].
В настоящее время существует масса литературы по нейронным
сетям, освещающей самые различные вопросы от выбора архитектуры
ИНС до обучения и практических примеров применения. В том числе есть
множество работ, доступных широкому читателю [115, с.171-203, 63, 64,
69, 79, 164, 346]. Некоторые дополнительные детали и примеры
применения ИНС при моделировании по временным рядам представлены в
пп. 10.2.1.3, 10.2.1.6.
Страницы
- « первая
- ‹ предыдущая
- …
- 145
- 146
- 147
- 148
- 149
- …
- следующая ›
- последняя »
