ВУЗ:
Составители:
147
достижение глобального минимума в такой ситуации становится чрезвычайно
трудным даже при самых совершенных методах обучения [15].
РНС решают эту проблему гораздо лучше. Наиболее часто применяемые
на практике радиальные функции гауссовского типа по своей природе имеют
локальный характер и принимают ненулевые значения только в зоне вокруг
определенного центра. Это позволяет легко установить зависимость
между
параметрами базисных функций и физическим размещением обучающих
данных в многомерном пространстве. Поэтому удается относительно просто
найти удовлетворительные начальные условия процесса обучения с учителем.
Применение подобных алгоритмов обучения при начальных условиях, близких
к оптимальным, многократно увеличивает вероятность достижения успеха с
помощью РНС.
Важное достоинство РНС – значительно упрощенный алгоритм обучения.
При
наличии только одного скрытого слоя и тесной связи активности нейрона с
соответствующей областью пространства обучающих данных точка начала
обучения оказывается гораздо ближе к оптимальному решению, чем в
многослойных сетях. Кроме того, можно отделить этап подбора параметров
базисных функций от подбора весов сети (гибридный алгоритм), что сильно
упрощает и ускоряет процесс обучения
. Выигрыш во времени становится еще
более ощутимым, если принять во внимание процедуру формирования
оптимальной структуры сети. Для многослойных сетей это очень трудоемкая
задача, требующая, как правило, многократного повторения обучения и
дообучения.
Считается, что РНС лучше, чем многослойные сети, решают задачи
классификации и распознавания, в которых выражена локализация обучающих
данных (определение
повреждений в различных системах, идентификация
биометрических данных и т.п.). Хорошие результаты получены при
использовании РНС для задач прогнозирования временных процессов
(колебания занятости трудоспособного населения, экономические тренды и
т.п.).
Исходя из перечисленных особенностей организации, функционирования и
обучения многослойных и радиальных сетей, следует, что выбор того или иного
типа сети
для решения конкретной задачи определяется, в первую очередь,
особенностями распределения обучающих данных. При наличии выраженной
локализации данных в определенных областях пространства, предпочтительнее
использовать РНС. И, наоборот, при отсутствии выраженной локализации
данных, а также в условиях отсутствия достоверных сведений о распределении
данных, больших результатов можно ожидать от применения многослойных
сетей с сигмоидальными
функциями активации.
Страницы
- « первая
- ‹ предыдущая
- …
- 145
- 146
- 147
- 148
- 149
- …
- следующая ›
- последняя »
