Дискретно-непрерывная математика. Кн. 0 : Алгоритмы. Ч. Генетические алгоритмы

 

---

А.Е. Кононюк Дискретно-непрерывная математика 
296 
Пример 5.2
Обучить с помощью программы 
BrainMaker 
нейронную сеть, 
реализующую логическую систему XOR (рис. 3.11) с весами, рассчи-
танными в примере 3.27 генетическим алгоритмом программы 
Evolver
и представленными на рис. 5.36.
Вначале с помощью программы 
BrainMaker 
была протестирована 
нейронная сеть, показанная на рис. 3.11. В качестве начальных 
значений для алгоритма обучения программы 
BrainMaker 
использо-
вались веса, рассчитанные генетическим алгоритмом программы 
Evolver. 
Следовательно, это типичный пример гибридного подхода, 
поскольку генетический алгоритм используется для нахождения на-
чальных значений весов для градиентного алгоритма обратного 
распространения ошибки 
(backpropagation). 
Эти начальные значения в 
формате программы 
BrainMaker 
представлены на рис. 5.64, а со-
ответствующие результаты тестирования сети - на рис.5.65 – 5.68.
Анализ результатов тестирования свидетельствует о том, что они 
оказываются хуже, чем показанные на рис. 5.60-5.63, поскольку в 
предыдущем примере не было ни одной ошибки, а в текущем примере 
в пяти случаях из 22 сеть дала неверный ответ. 
 
Рис. 5.60. 
Результат тестирования программой 
BrainMaker 
нейронной 
сети из рис. 3.11 с начальными значениями весов, представленными на 
рис. 5.59, для 
и
1
 
= 0, 
и
2
 = 
0 и d = 0. 
 
Рис.5.61. 
Результат тестирования программой 
BrainMaker 
нейронной 
сети из рис. 3.11 с начальными значениями весов, представленными на 
рис. 5.59, для 
и
1
= 0, 
и
2
 = 
1 и d = 1. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
297