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

 
Рис. 5.70. 
Результат тестирования программой BrainMaker нейронной 
сети из рис. 3.2 с начальными значениями весов, представленными на 
рис. 5.64, с толерантностью 0,1 для u
1
= 0, u
2
= 0 и d = 0. 
 
 
Рис. 5.71. 
Результат тестирования той же сети для u
1
= 0, 
и
2
 
= 1 и d = 
1.
 
Рис. 5.72. 
Результат тестирования той же сети для u
1
= 1, u
2
= 1 и 
d = 
0. 
Абсолютная разность между эталонным (Ptn) и выходным (Out) 
значениями для рис. 5.69 равна 0,0473, для рис. 5.70 - 0,0269, для рис. 
5.71 - 0,0998 и для рис. 5.72 - 0,0979. Из гистограммы на рис. 5.69 
следует, что для шести из 22 входных пар 
и
1,
 и
2
 
эта погрешность равна 
0,0269, такое же количество входных пар имеет погрешность 0,0473, а 
для оставшихся входных пар эта погрешность составила около 0,099. 
Веса обученной таким образом сети показаны на рис. 5.73. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
301 
 
Рис.5.73. 
Веса нейронной сети, обученной программой 
BrainMaker 
с 
толерантностью 0,1 
Сеть обучена с толерантностью 0,1. Это означает, что выходные 
значения должны не более чем на 10 % отличаться от значений 0 и 1 
для того, чтобы модель системы XOR была признана корректной. 
Следовательно, при подаче эталона 0 считаются правильными 
значения 
у
, меньшие или равные 0,1, а при подаче эталона 1 пра-
вильными будут значения 
у
, большие или равные 0,9.
Конечно, показанные на рис. 5.73 значения весов не могут 
рассматриваться в качестве оптимальных для системы XOR. Поэтому 
толерантность была уменьшена до 0,025, и процесс обучения про-
должился. Полученные результаты приведены на рис. 5.74.

---

А.Е. Кононюк Дискретно-непрерывная математика 
302