Рассмотрим теперь некоторые особенности функционирования та
-
кой нейросистемы
,
связанные с ее обучением
,
под которым будем по
-
нимать наделение системы знаниями об очередном образе
(
объекте
).
В
общем случае среди обучающих алгоритмов можно выделить алгорит
-
мы обучения с учителем и без учителя
[4].
В первом случае существует
учитель
,
который предъявляет входные образы сети
,
сравнивает выход
-
ные сигналы нейросети с требуемыми
,
а затем подстраивает веса ней
-
росети таким образом
,
чтобы уменьшить различия выходного сигнала
и соответствующего эталона
.
Во втором случае обучение проводится без учителя
:
при предъ
-
явлении входных образов нейросеть самоорганизуется посредством
настройки своих весов согласно определенному алгоритму
.
Поскольку
требуемый выходной сигнал неизвестен в процессе обучения
,
резуль
-
таты непредсказуемы с точки зрения определения возбуждающих обра
-
зов для конкретных нейронов
.
При этом
,
однако
,
нейросеть организу
-
ется в форме
,
отражающей существенные характеристики обучающего
набора
:
например
,
входные образы могут быть классифицированы со
-
гласно значению коэффициента их схожести таким образом
,
что образы
одного класса активизируют один и тот же выходной нейрон
.
Исследуемая нейросистема по сути является автоассоциативной па
-
мятью
,
поэтому описанные разновидности алгоритмов не вполне под
-
ходят для обучения такого рода нейросети
.
Под обучением в данном
случае следует понимать процесс модификации матрицы весов при до
-
бавлении нового эталона к уже существующему набору образов памя
-
ти
.
В случае применения одного из указанных выше алгоритмов про
-
цесс обучения фактически сводился к последовательному предъявле
-
нию на вход системы всех эталонных образов набора и коррекции эле
-
ментов матрицы весов с целью получения требуемого выходного от
-
клика на заданный входной сигнал
.
Этот процесс может значительно
растянуться во времени даже при небольших наборах эталонов
.
Поэто
-
му далее рассмотрим возможность быстрого и эффективного
“
дообу
-
чения
”
рассматриваемой нейросети с помощью лишь незначительной
модификации весов нейроматрицы
(
без полного ее пересчета
).
Как было показано ранее
[5],
работоспособность сети не зависит
от последовательности ортогонализации исходных образов
.
Это позво
-
ляет не проводить повторную ортогонализацию всех образов набора
при добавлении нового эталона
,
а ограничиться его ортогонализаци
-
ей и последующей нормировкой
;
затем добавить к весам ранее рас
-
считанной матрицы значения весов матрицы
,
построенной с учетом
добавляемого эталона
.
Указанная особенность значительно ускоряет
процесс обучения рассматриваемой нейросистемы при оперативном
ISSN 0236-3933.
Вестник МГТУ им
.
Н
.
Э
.
Баумана
.
Сер
. “
Приборостроение
”. 2003.
№
3 9
