Обучение систем коммерческой информации на примере искусственных нейронных сетей.

Нейронную сеть можно обучать для выполнения конкретной функции, регулируя значения коэффициентов (весов) связи. Обычные искусст­венные нейронные сети настраиваются или обучаются так, чтобы кон­кретные входы преобразовывались в заданный целевой выход. Сеть на­страивается (обучается), основываясь на сравнении сигналов выхода и цели до тех пор, пока выход сети не будет соответствовать цели. Чтобы обучить сеть, как правило, используется пара значений сигналов вход/цель.

Рассмотрим простейшую нейронную сеть рис. 2.2. Цель или истин­ный выход должен быть равен t, а выходной элемент имеет активность (т.е. вывод) у. Отклонение (ошибка) значения сигнала на выходе из по­следующего нейрона от цели δ задается следующей формулой:

Сигнал, приходящий к выходному элементу, обозначен через X. Для линейной сети сигнал, подходящий к входу «1», совпадает с сигналом, приходящему к выходному элементу «2>>. Коррекции весов и сдвигов, осуществляемой при помощи дельта - правила:

η- норма обучения.

Новый весовой коэффициент связи между последующим и предыдущим нейроном устанавливается равным сумме значений старого веса и кор­рекции:

w=w + ∆w

Для линейной нейронной сети:

y = x-w₁₂

Для обучения вводится понятие функционал ошибки J. Для линейной модели функционал ошибки равен

Обучение состоит в том, чтобы найти минимум функционала ошибки при изменении веса w.

Понятие «обучение», применяемое для оценки поведения нейрон­ных сетей, соответствует понятиям «самообучение» («самонастройка», «позиционирование») теории интеллектуальных систем.

При самонастройке обеспечивается подбор весов и сдвигов, при которых обеспечивается минимальное отклонение выбранных парамет­ров системы от заданных величин. При этом структура системы остает­ся неизменной. Обучение в широком смысле подразумевает изменение структуры системы для обеспечения более точной самонастройки. Для нейронных сетей это означает изменение количества слоев нейронов, количество нейронов в слоях, способов распространения сигнала и т.д.

Традиционно нейронная сеть применяется для моделирования тех или иных процессов, основываясь на принципе «черного ящика». Это означает, что главная задача состоит в том, чтобы добиться сближения сигналов на выходе с целевыми значениями. При этом веса и сдвиги могут принимать любые значения, лишь бы обеспечить конечную цель.

Т.е. смысл обучения состоит и настройке весов и сдвигов на «умение» выполнять определенные функции.

Для детерминированного обучения веса при постоянном значении нор­мы обучения отличаются от таковых при переменных значениях, и не­обходимо придать этому определенный смысл. В то же время для мно­госвязной сети сохраняются особенности дельта-правила односвязной сети в следующем виде:

- подбирая скорость обучения, можно добиться достижения цели;

- искусственный интеллект действует полезно, благодаря постоянному значению нормы обучения η

Дата добавления: 2015-09-02