ктивації нейронів, що враховує характер розв'язуваної задачі. Зокрема, в тришарових перцептронах на нейронах прихованого шару застосовується в більшості випадків логістична функція, а тип передавальної функції нейронів вихідного шару визначається на основі аналізу результатів обчислювальних експериментів на мережі. Індикатором навченості штучної нейронної мережі може служити гістограма значень міжнейронних зв'язків.
На п'ятому етапі проводиться тестування отриманої моделі штучної нейронної мережі на незалежній вибірці прикладів.
Найважливішим властивістю нейронних мереж є їх здатність до навчання, що робить нейромережеві моделі незамінними при вирішенні завдань, для яких алгоритмізація є неможливою проблематичною або занадто трудомісткою. Навчання нейронної мережі полягає у зміні внутрішніх параметрів моделі таким чином, щоб на виході штучної нейронної мережі генерувався вектор значень, що співпадає з результатами прикладів навчальної вибірки. Зміна параметрів нейромережевої моделі може виконуватися різними способами у відповідності з різними алгоритмами навчання. Парадигма навчання визначається доступністю необхідної інформації. Виділяють три парадигми:
навчання з учителем (контрольоване);
навчання без вчителя (неконтрольоване);
змішане навчання.
При навчання з учителем всі приклади навчальної вибірки містять правильні відповіді (виходи), відповідні правильним даними (входів). У процесі контрольованого навчання синаптичні ваги налаштовуються так, щоб мережа породжувала відповіді, найбільш близькі до правильних.
Навчання без вчителя використовується, коли не для всіх прикладів навчання вибірки відомі правильні відповіді. У цьому випадку робляться спроби визначення внутрішньої структури поступають в мережу даних з метою розподілити зразки по категоріях.
При змішаному навчанні частина ваг визначається за допомогою навчання з учителем, а інша частина виходить за допомогою алгоритмів самонавчання. span>
Навчання за прикладами характеризується трьома основними властивостями: ємністю, складністю зразків і обчислювальною складністю. Ємність відповідає кількості зразків, які може запам'ятати мережа. Складність зразків визначає здібності нейронної мережі до навчання. Зокрема, при навчанні штучної нейронної мережі можуть виникати стану В«перетреніровкіВ», в яких мережа добре функціонує на прикладах навчальної вибірки, але не справляється з новими прикладами, втрачаючи здатність навчатися. p align="justify"> Розглянемо відомі правила навчання штучної нейронної мережі.
Прави...