ВУЗ:
Составители:
51
В настоящее время отсутствует универсальная методика построения
обучающих выборок. Они формируются обычно по усмотрению пользователя
для каждой конкретной решаемой задачи.
Обучение без учителя (самообучение) (unsupervised learning) по своей
природе ближе к биологическому прототипу – мозгу. Самообучение не
предполагает наличия правильных ответов ИНС, т.е. целевого вектора.
Располагая только информацией из обучающей выборки, алгоритм
самообучения «самостоятельно» выявляет внутреннюю структуру входных
данных или корреляцию обучающих и выходных данных. Алгоритм
самообучения подстраивает веса связей так, чтобы определенные входные
сигналы вызывали
согласованные с ними выходные сигналы. Другими словами,
при предъявлении достаточно близких входных векторов сеть должна выдавать
достаточно близкие выходные вектора. Таким образом, процесс самообучения
выявляет статистические свойства обучающего множества и группирует
сходные входные вектора в классы. Предъявление вектора из данного класса
дает определенный выходной вектор, характерный для данного класса.
Характерной чертой
процесса самообучения является то, что вид откликов
сети на каждый класс входных образов заранее не известен и представляет
собой произвольное сочетание возбуждений нейронов выходного слоя,
обусловленное случайным распределением начальных значений весов на стадии
инициализации и структурой обучающей выборки. Определение топологии
классов в картине выходных реакций осуществляется путем тестирования уже
обученной
сети. Для приведения откликов обученной сети к удобному
представлению, сеть обычно дополняют одним выходным слоем, который
обучают классическим методом «с учителем». При этом выходные вектора,
образованные на стадии самообучения трансформируются в понятную,
обусловленную учителем форму.
Детерминированные и стохастические методы обучения. Используя
другой принцип классификации, все существующие методы обучения можно
разделить на два класса: детерминированные и стохастические.
Детерминированные методы обучения шаг за шагом осуществляют
процедуру коррекции весов сети, основанную на использовании их текущих
значений, величин входных сигналов, а также фактических и желаемых
выходных сигналов. Преимущество детерминированных методов обучения
заключается в высокой
скорости обучения. Недостаток – возможность
нахождения только локальных минимумов функции ошибки. При попадании
процесса обучения в локальный минимум сеть стабилизируется в нем, не имея
возможности самостоятельно из него выйти, чтобы достичь глобального
минимума.
Стохастические методы обучения выполняют псевдослучайные изменения
весов, сохраняя те изменения, которые ведут к улучшениям. Несмотря на то,
что в
общем случае стохастическое обучение также сводится к
многоэкстремальной оптимизации, его преимущество состоит в возможности
Страницы
- « первая
- ‹ предыдущая
- …
- 49
- 50
- 51
- 52
- 53
- …
- следующая ›
- последняя »
