|
|
|
Суть метода обратного распространения заключается в следующем. 1. Алгоритм обратного распространения последовательно обучает сеть на данных из обучающего множества. На каждой итерации (они называются эпохами) все наблюдения из обучающего множества по очереди попадаются на вход сети. Сеть обрабатывает их и выдает выходные значения. 2. Эти выходные значения сравниваются с целевыми выходными значениями, которые также содержатся в наборе исходных данных, и ошибка, то есть разность между желаемым и реальным выходом, используется для корректировки весов сети так, чтобы уменьшить эту ошибку. 3. Алгоритм должен находить компромисс между различными наблюдениями и менять веса таким образом, чтобы уменьшить суммарную ошибку на всем обучающем множестве; поскольку алгоритм обрабатывает наблюдения по одному, общая ошибка на отдельных шагах не обязательно будет убывать.
Алгоритм обучения сети методом обратного распространения ошибки 1. Создаем нейронную сеть либо с помощью мастера File→ Intelligent Problem Solver, либо самостоятельно File →New. 2. Вторым этапом является непосредственно обучение сети 2.1. Открываем окно График ошибки: Statistics → Training error graph (рисунок 4.29). В представленном диалоговом окне на графике изображается среднеквадратическая ошибка на обучающем множестве на данной эпохе. С помощью расположенных под графиком элементов управления можно менять масштаб изображения, а если график целиком |
|
|
