Обучение нейронной сети

Для поиска неизвестных параметров, обеспечивающих адекватность нейронной сети данным эксперимента, был использован метод обратного распространения ошибки (back-propagation method) [12,79]. Каждая итерация процедуры обучения состоит из двух этапов - прямого и обратного хода.

Алгоритм прямого хода

1° Вычислить суммарный взвешенный входной сигнал каждого нейрона текущего слоя m:

(6.8)

2° Вычислить выходной сигнал каждого нейрона текущего слоя:

(6.9)

3° Если текущий слой - не выходной, то перейти к следующему слою и повторить процедуры с п.1°.

4° Вычислить погрешность Q нейронной сети:

(6.10)

где - эталонное значение выхода j -го нейрона выходного слоя,

- число нейронов выходного слоя.

Алгоритм обратного хода

1° Определить скорость изменения погрешности при изменении выходного сигнала для каждого нейрона выходного слоя (EA):

(6.11)

2° Определить скорость изменения погрешности при изменении суммарного входного сигнала каждого нейрона текущего слоя (EI):

(6.12)

3° Определить скорость изменения погрешности при изменении веса на входной связи каждого нейрона текущего слоя (EW):

(6.13)

4° Определить скорость изменения погрешности при изменении активности нейрона предыдущего слоя (EA):

(6.14)

5° Провести модификацию межнейронных связей по правилу градиента:

(6.15)

где m - скорость обучения (шаг итерации);

t - номер шага обучения.

Перейти к следующему слою.

6° Если данный слой не является входным, все процедуры повторить с шага 2.

Обучение продолжается до тех пор, пока не будет достигнута приемлемая погрешность.

Не нашли, что искали? Воспользуйтесь поиском: