ВУЗ:
Составители:
146
допустим, если равномерное распределение обучающих данных хорошо
соответствует специфике задачи. Параметры стандартного отклонения в
функции Гаусса в свою очередь задаются в соответствии с разбросом случайно
выбранных центров C
i
.
Среди многих специализированных методов подбора центров наиболее
применяемыми являются: самоорганизующийся процесс разделения на
кластеры, гибридный алгоритм и обучение с учителем [15].
Процесс самоорганизации основан на известном алгоритме самообучения
Кохонена и производных от него. Параметры базисных функций определяются
после автоматического разбиения пространства на кластеры с последующим
определением центров кластеров геометрическими методами.
Гибридный
алгоритм обучения РНС содержит два этапа: подбор весов
выходного слоя и подбор параметров C
i
и σ
i
базисных радиальных функций.
Эти этапы циклически многократно чередуются, что позволяет достаточно
быстро обучать РНС, особенно при задании начальных значений параметров,
близких к оптимальным.
Алгоритмы обучения РНС с учителем составляют обособленный класс
градиентных алгоритмов, в которых используется широко известная процедура
обратного распространения ошибки. Как и в классическом алгоритме
backpropagation основной проблемой,
влияющей на качество обучения, является
выбор начальных значений параметров. При случайном начальном выборе
параметров высока вероятность попадания процесса в ловушки локальных
минимумов. По этой причине случайный выбор часто заменяется специальной
процедурой инициализации, основанной на анализе информации, содержащейся
во множестве входных данных. Эта процедура обычно использует уже
упомянутый выше процесс самоорганизации данных
путем их кластеризации.
Сравнение радиальных и многослойных сетей. РНС отличаются от
многослойных сетей с сигмоидальными функциями активации некоторыми
специфическими свойствами. Многослойная сеть, в которой ненулевое
значение сигмоидальной функции распространяется от некоторой точки в
пространстве до бесконечности, решает задачу глобальной аппроксимации
заданной функции. РНС, основанная на функциях, имеющих ненулевые
значения только
в определенной области вокруг их центров, реализует
аппроксимацию локального типа, сфера которой, как правило, более
ограничена. Поэтому обобщающие способности РНС несколько хуже, чем
многослойных, особенно на границах области обучающих данных. Вследствие
глобального характера сигмоидальной функции многослойные сети не
обладают встроенным механизмом идентификации области данных, на которые
сильнее всего реагирует конкретный нейрон
. Из-за физической невозможности
связать зону активности нейрона с соответствующей областью обучающих
данных для многослойных сетей сложно определить исходную позицию
процесса обучения. Принимая во внимание полимодальность целевой функции,
Страницы
- « первая
- ‹ предыдущая
- …
- 144
- 145
- 146
- 147
- 148
- …
- следующая ›
- последняя »
