Интеллектуальный анализ данных в менеджменте. Кричевский М.Л. - 196 стр.

UptoLike

Составители: 

196
Длина хромосомы составляет 10 битов, соответствующих весам:
w
1
... w
6
, g
1
... g
4
. Каждый бит может быть представлен как действи"
тельной число в двоичной системе. Генетические операторы скрещи"
вания и мутации применяются здесь для эволюции весов. Алгоритм
завершается, когда прекращается улучшение величины z. Таким
образом, для данного примера можно с помощью ГА найти требуемое
множество весов.
Вторая задача – адаптация обучающего правила для НС – заклю"
чается в следующем. Супервизорная обучающая система должна ге"
нерировать требуемый выход для данных входных значений. При"
мем, что многослойная НС используется как обучающий агент. Пусть
O
k
– выход ячейки o
k
в выходном слое; I
t
– вход на t"м нейроне вход"
ного слоя; w
ij
– вес от ячейки i к нейрону j.
Правило обучения в общем случае может быть записано как
(, , ),
() .
ij t j ij
ij ij ij
wfIOw
wt w w
1 2
3 2 31
Допустим, что функция f(I
t
, O
j
, w
ij
) имеет следующий вид
(, , ) .
t j ij t t j j ti t i it it t ij j ij
tjti ij
fI O w aI bO cIO dwI eOw1 22 2 2
3 3 33 33 33
Здесь хромосомы конструируются из следующих параметров: a
t
,
b
i
, c
ti,
d
it
, e
ij
. Пригодность хромосом измеряется сигналом ошибки, т. е.
(целевой сигнал минус требуемый сигнал) на всех ячейках выходного
слоя. Чем меньше величина этой ошибки, тем лучше качество хро"
мосомы. После ряда генетических эволюций ГА определяет почти
оптимальные значения параметров. Так как величины a
t
, b
i
, c
ti,
d
it
, e
ij
характеризуют обучающее правило, то их регулирование создает но"
вые правила. На рис. 3.12 показан процесс адаптации обучающих
правил.
Рис. 3.11