Интеллектуальные информационные системы. Дубровин А.Д. - 145 стр.

                                                   M
                  s (j2) ( p + 1) = y j ( p ) − ε ∑ y k( 2) ( p ),   ( где k ≠ j )
                                                  k =1


        и значения их выходных сигналов (аксонов):

                                       [                 ]
                  y (j2) ( p + 1) = f s (j2 ) ( p + 1) , j = 0...m − 1

       3. Проверить, не изменились ли выходы нейронов второго слоя за последнюю
итерацию. Если не изменились – закончить работу, иначе- продолжить итерации.
       Примечание: в качестве функции активации нейронов для сети Хэмминга
принимается
                   ступенчато-линейная зависимость, оказанная на рис.6.2.2-б. При этом
                   рекомендуется выбирать предел ее максимального значения и диапазон
ее
                   чувствительности к изменениям аргумента с запасом, чтобы
гарантировать
                   непопадание на участок насыщения (верхняя граница чувствительности).
        Из схемы алгоритма работы ИНС Хэмминга следует, что роль первого слоя здесь
весьма условна: воспользовавшись один раз (процедура 1) значениями его весовых
коэффициентов, сеть больше не обращается к нему, поэтому первый слой может быть
вообще исключен из сети (например, заменен матрицей весовых коэффициентов).
       Мы рассмотрели некоторые варианты построения ИНС и познакомились с основными
методами и алгоритмами их обучения. Подводя некоторый итог полученным сведениям,
следует отметить, что современные ИНС представлены двумя типами – многослойными
сетями только с прямым распространением сигналов и сетями с возможностью реализации
обратных связей между слоями. Первые во многих источниках именуются слоистыми, а
вторые – полносвязными.
       Слоистые сети обладают привлекательным свойством – легко настраиваются на
любую предметную область, поскольку не учитывают связи между признаками образа.
Полоносвязные сети, учитывая связи между признаками образа, хорошо настраиваются на
конкретную ПО, для которой известны бинарные отношения между признаками.
       Важной характеристикой ИНС является ее избирательность и чувствительность к
различию признаков образов. Это их качество проявляется сильнее всего там, где имеются
большие скопления объектов с однообразными наборами свойств, то есть они хорошо
«работают» при кластерном представлении данных. Одной из первых сетей с такими
свойствами была сеть Кохонена.
         Теория и практика ИНС развиваются стремительно. В недалеком будущем следует
ожидать появления специальных машин, организация памяти которых будет более близка к
памяти человека, да и само понятие вычислительного процесса будет иным, чем он является
в компьютере фон-неймановского принципа. Последние результаты развития технологии
ИНС открывает широкие перспективы и для развития других информационных технологий,
таких как эволюционное и имитационное моделирование даже на компьютерах нынешнего,
пятого поколения.




                                                                                     180