Искусственные нейронные сети. Сивохин А.В - 74 стр.

работки каждой пары входных и выходных значений (обучение с
учителем). Применение функции adapt гарантирует, что любая зада-
ча классификации с линейно отделимыми векторами будет решена за
конечное число циклов настройки. Функция обучения train, когда
настройка параметров сети выполняется не после каждого прохода, а
в результате всех проходов обучающего множества, в ряде случаев
не обеспечивает сходимости процесса настройки, поэтому не исполь-
зуется для обучения персептрона.
   Настройка весов и смещений, реализуемая функциями learnp и
learnpn, производится по следующим правилам:
   а) для входных сигналов вычисляются выходные;
   б) определяются ошибки как разность между целевым выходом и
соответствующим выходным сигналом;
   в) производится корректирование весов и смещений путем сло-
жения старых значений с приращениями, каждое из которых равно
произведению соответствующего сигнала на ошибку того нейрона,
для которого корректируется параметр.
   Для того, чтобы сделать время обучения нечувствительным к
большим или малым выбросам векторов входа, производят нормиро-
вание входных данных при вычислении приращений весов и смеще-
ний:
                   pni = pi (sqrt(1+ p12 +…+ pr2)).
   Такое нормирование обеспечивается применением функции
learnp для настройки как весов, так и смещений. Также автоматиче-
ски свойству net.adaptFcn задается значение adaptwb, что позволяет
использовать любые функции для настройки весов и смещений, а
свойству net.adaptParam – набор параметров по умолчанию.
   Адаптация     персептрона      производится      функцией-методом
adapt(net,P,T), где P – входные векторы; T – целевые значения.
Процесс адаптации продолжается до тех пор, пока не будет достиг-
нуто требуемое значение критерия качества обучения в виде средней
абсолютной ошибки, вычисляемой функцией mae.




                                74