2.2.5. Влияние отличительности образов ситуаций обучаемой выборки на продолжительность обучения

Методика исследования. Влияние отличительности и заданной точности выходных сигналов на продолжительность обучения рассмотрим на примере обучения для двух бинарных образов с числом признаков m = 10. Все признаки одного из образов примем равными единице. Значения признаков другого образа будем изменять следующим образом: вначале только один из признаков зададим равным единице, остальные – равными нулю, затем добавим еще один единичный признак и так далее до девяти единичных признаков второго образа. Число n нулевых признаков второго образа, отнесенное к общему числу признаков m, определяет степень отличия двух данных образов. Для одного из образов выходной сигнал задавался равным единице (E₁ = 1), для другого – двум (E₂=2), затем требуемые сигналы менялись (E₁=2, E₂=1). При обучении использовалось три варианта порядка предъявления образов: 1 – обучение начиналось с образа, содержащего нулевые признаки и с заданным сигналом, равным единице; 2 – обучение начиналось с образа со всеми единичными признаками и с заданным сигналом, равным единице; 3 – обучение начиналось с образа со всеми единичными признаками и с заданным сигналом, равным двум (рис.2.5, рис.2.6).

Рис.2.5. Зависимость числа шагов обучения N_ш для двух образов от степени их совпадения S=1–n/m с заданной точностью обучения  _E =  0,1 ед.;

Рис.2.6. Зависимость числа шагов обучения N_ш для двух образов от степени их совпадения S=1–n/m с заданной точностью обучения  _E =  0,01 ед.;

Полученные результаты. В общем случае, чем больше отличительность образов обучаемой выборки, тем быстрее заканчивается обучение до заданной точности, однако определенное соотношение выходных сигналов и отличительности ситуаций приводит к более быстрому обучению, что видно на графиках (рис.2.5, рис.2.6) в точках, после которых дальнейшее увеличение отличительности приводит к некоторому увеличению продолжительности обучения. Для двух образов с произвольными значениями признаков зависимость числа шагов обучения от степени совпадения образов показана на графике, представленном на рис.2.7. Число признаков m было принято равным 10. Значения выходных сигналов E равнялись 3 и 5 с точностью  _E =  0,01. В качестве значений признаков брались случайные целые числа в пределах от 0 до 9. Рассматривались два порядка предъявления образов: 1 – когда первым предъявлялся образ с выходным сигналом равным 3; 2 – когда первым предъявлялся образ с выходным сигналом равным 5.

Рис.2.7. Зависимость числа шагов обучения N_ш для двух образов от степени их совпадения S

Более четко прослеживается зависимость числа циклов обучения N_ц от степени совпадения образов (рис.2.8).

Рис.2.8. Зависимость числа циклов обучения N_ц для двух образов от степени их совпадения S

Из графиков видно, что для образов с S = 0 (полное отличие образов) обучение заканчивается за один цикл. То же самое происходит и для образов, степень совпадения которых S=E₂/E₁, в нашем случае при S = 0,6 , причем первый образ не должен содержать нулевые признаки, которые во втором образе имеют ненулевое значение. При S, стремящейся к 1, число циклов обучения резко возрастает, а при S = 1 обучение становится невозможным кроме как для образов, отношение подобия которых отвечает условию: E₂ = k ·E₁ (см. п.2.2.3).

Выводы. Система очувствления обучаемой системы управления должна строиться таким образом, чтобы воспринимать как можно больше отличительных признаков в ситуациях, которые возникают при решении требуемой задачи, чтобы степень совпадения образов обучаемой выборки была минимальной, что значительно ускоряет обучение системы. Пользуясь описанной выше методикой, совместную зависимость продолжительности обучения от степени совпадения двух образов и заданной точности можно представить в виде пространственного графика (рис.2.9):

Рис.2.9. Пространственный график зависимости числа шагов обучения N_ш для двух образов от степени их совпадения S и заданной точности обучения  _E