сті простору ваг за рахунок збільшення числа нейронів прихованих шарів. Деякі можливості для вирішення цієї проблеми відкривають стохастичні методи навчання. При модифікації ваг мережі тільки на основі інформації про направлення вектора градієнта цільової функції в просторі ваг можна досягти локального мінімуму, але неможливо вийти з нього, оскільки в точці екстремуму В«рушійна силаВ» (градієнт) звертається в нуль і причина руху зникає. Щоб покинути локальний екстремум і перейти до пошуку глобального екстремуму, потрібно створити додаткову силу, яка буде залежати не від градієнта цільової функції, а від якихось інших факторів. Один з найпростіших методів полягає в тому, щоб просто створити випадкову силу і додати її до детерминистической. p align="justify">. Сигмоїдальну характер передавальної функції нейрона є причиною того, що якщо в процесі навчання кілька вагових коефіцієнтів стало занадто великим, то нейрон потрапляє на горизонтальну ділянку функції в область насичення. При цьому зміни інших ваг, навіть досить великі, практично не позначається на величині вихідного сигналу такого нейрона, а значить і на величині цільової функції. p align="justify">. Невдалий вибір діапазону вхідних змінних
- досить елементарна, але часто чинена помилка. Якщо
- це двійкова змінна зі значенням 0 і 1, то приблизно в половині випадків вона буде мати нульове значення: = 0. Оскільки входить у вираз для модифікації ваги у вигляді множники, то ефект буде той же, що і при насиченні: модифікація відповідних ваг буде блокована. Правильний діапазон для вхідних змінних повинен бути симетричним, наприклад від +1 до -1.
. Процес вирішення завдань нейронною мережею є В«непрозоримВ» для користувача, що може викликати з його боку недовіру до прогнозуючим здібностям мережі. p align="justify">. Пророкує здатність мережі істотно знижується, якщо надходять на вхід факти (дані) мають значні відмінності від прикладів, на яких навчалася мережу. Цей недолік яскраво проявляється при вирішенні завдань економічного прогнозування, зокрема при визначенні тенденцій котирувань цінних паперів і вартості валют на фондових і фінансових ринках. p align="justify">. Відсутні теоретично обгрунтовані правила конструювання та ефективного навчання нейронних мереж. Цей недолік призводить, зокрема, до втрати нейронними мережами здатності узагальнювати дані предметної області в станах перенавчання (перетренування). br/>
Список літератури
1. Андрейчиков А.В., Андрейчикова О.Н. Інтелектуальні інформаційні систем: Підручник. - М.; Фінанси і статистика, 2004. - 424 с.: іл....
