2.2.2. Обучение третьего слоя.
min
г к
Функционал специально построен таким образом, что не содержит активационной функции и является квадратичной формой по
48
отношению к синаптическим весовым коэффициентам нейрона, поскольку известно, что такой функционал минимизируется при помощи метода сопряженных градиентов за конечное число шагов. Далее пусть тхо и mni соответственно максимальное значение отклика нейрона на элементах чужих классов и минимальное значение отклика нейрона на элементах своего класса. Если тхо < тптогда эти классы разделимы, обучение данного нейрона успешно, и он добавляется в сеть. В противном случае, т.е. когда хотя бы у одного из выходных нейронов условие тх0 <тп] не выполняется, необходим дополнительный слой RBF-нейронов. Этот слой обучается по вышеописанному алгоритму с исключением первого этапа и использованием только второго.
Таким образом, в результате получается слой нейронов, в котором на каждый элемент реагирует лишь один нейрон, и в этом случае, если необходимо отображение отличное от простой идентификации классовой принадлежности распознаваемого элемента, то веса последнего слоя нейронов вычисляются очевидным образом с использованием методов линейной оптимизации.
Еще по теме 2.2.2. Обучение третьего слоя.:
- 4. Классификация систем (форм) обучения по механизму декомпозиции содержания обучения
- 23.Психологическая характеристика обучения. Обучение и развитие. Сущность, виды и механизмы научения.
- ОБУЧЕНИЕ СЛОЯ КОХОНЕНА
- 2.2 Алгоритм обучения нейронной сети для ускоренной сходимости обучения
- § 217. d. Договоры о действии третьего лица и о действии в пользу третьего лица
- 4.1.2.Конструкция податливого слоя
- ОБУЧЕНИЕ СЛОЯ ГРОССБЕРГА
- Нестационарное движение внешнего шарового слоя
- 4. Интенсификация обучения и проблемное обучение
- Условия отрыва шара от слоя
- §7.2. МОЛЕКУЛЯРНАЯ КАРТИНА ПОВЕРХНОСТНОГО СЛОЯ
- Определение времени движения верхнего шара слоя