2. Классификация принципов обучения нейронных сетей

Обучение нейронных сетей – это процесс нахождения оптимальных значений всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными). При этом устанавливаются связи между входными и выходными сигналами НС. Процесс этот носит последовательный характер.

В процессе обучения НС в определенный момент запускается механизм изменения состояния сети.

Рассмотрим обобщенную классификацию подходов к обучению искусственных нейронных сетей.

1. Организация обучения. По данному признаку алгоритмы обучения НС разделяются на 3 класса:

 обучение с учителем (наблюдаемое обучение);

 самообучение (без учителя);

 смешанное обучение.

В алгоритмах обучения с учителем сети предъявляется обучающая выборка (ОВ). Она состоит из конечного множества примеров (обучающих пар), состоящих из наборов входных данных (входных векторов) и желательных выходных сигналов (целевых векторов):

(A_i,D_i), i=1,…,m.

Каждый пример представляет собой задачу одного и того же типа. Если на некоторый входной вектор A_i НС выдает сигнал Y_i, несоответствующий целевому вектору D_i, возникает состояние ошибки (). Сеть по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей, предотвращая повторное появление этой ошибки.

Задача поиска минимума ошибки является задачей безусловной оптимизации. Для ее решения известно множество методов. В теории оптимизации функция ошибкиназывается целевой функцией. При обучении НС применяются следующие методы теории оптимизации:

1) для небольшого количества параметров — стабилизированные методы Ньютона, Гаусса-Ньютона, Левенберга-Маркардта;

2) для среднего количества параметров — квазиньютоновские методы;

3) для большого количества параметров — метод сопряженных градиентов.

В алгоритмах обучения без учителя сети тоже предъявляется обучающая выборка. Однако она состоит лишь из входных векторов A_i:

(A_i), i=1,…,m.

Выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. При самообучении используется методика автоматического разбиения входных данных на заданное число классов, без указания их характерных признаков.

Среди алгоритмов обучения данного класса существуют алгоритмы: 1) подстраивающие только синаптические веса, 2) изменяющие также и структуру сети, то есть количество нейронов и их взаимосвязи (самоорганизующиеся сети).

При смешанном обучении часть весов синапсов определяется посредством обучения с учителем, в то время как остальная вычисляется с помощью самообучения.

2. Способ предъявления примеров. Примеры в процессе обучения на нейронную сеть можно подавать последовательно (в соответствии с какой-либо схемой) из упорядоченного обучающего множества (упорядоченный способ) либо случайно (случайный способ).

Проход по всем примерам обучающей выборки называется циклом обучения.

3. Способ коррекции весов (режим обучения). По способу коррекции весов различают обучение:

 по одиночным примерам;

 пакетное обучение (batchupdate);

 обучение с моментом.

3. Характер алгоритма обучения. С точки зрения построения процесса обучения алгоритмы обучения разделяют на две группы:

 детерминированные;

 стохастические.

В первой из них подстройка весов представляет собой жесткую последовательность действий, во второй – она производится на основе действий, подчиняющихся некоторому случайному процессу.