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

 
Рис. 5.74. 
Итоговая фаза последующего обучения программой 
BrainMaker 
сети с 
весами, показанными на рис. 3.153, при уровне толерантности 0,025.
Интересно сравнить достигнутое значение погрешности RMS с 
аналогичным показателем на рис. 5.69. Результаты тестирования 
обученной сети представлены на рис. 5.75 – 5.78.
 
Рис. 5.75. 
Результат тестирования нейронной сети, обученной 
программой 
BrainMaker 
с толерантностью 0,025 (рис. 5.74), для 
и
1
 
= 0, 
и
2
 
= 0 и 
d 
= 0. 
 
Рис. 5.76. 
Результат тестирования той же сети для 
и
1
 = 
0, 
и
2
 
=
1 и d 
=
1.
 
Рис. 5.77. 
Результат тестирования той же сети для 
и
1
 = 1, u
2
 = 0 
и
 d = 1.

---

А.Е. Кононюк Дискретно-непрерывная математика 
303 
 
Рис. 5.78. 
Результат тестирования той же сети для 
и
1
 
= 1, 
и
2
 = 
1 и 
d = 
0. 
Значение абсолютной разности между эталоном и фактическим 
выходным значением на следующих друг за другом рисунках 
составляет 0,0252, 0,0246, 0,0239, 0,0247 соответственно, что отражает 
гистограмма на рис. 5.74.
Значения весов для сети, обученной с толерантностью 0,025, 
приведены на рис. 5.79.
 
Рис. 5.7
9. Веса нейронной сети, обученной программой 
BrainMaker
с 
толерантностью 0,025 (рис. 5.74). 
Интересно сравнить его с рис. 5.73. Более поздние результаты 
оказываются гораздо ближе к оптимальным. Далее была предпринята 
попытка еще лучше обучить сеть с уменьшением толерантности до 
0,02. К сожалению, эта попытка завершилась неудачей, поскольку 
способности сети к обучению оказались исчерпанными. Однако при 
фиксации толерантности на уровне 0,023 был достигнут конечный 
эффект, показанный на рис. 5.80.

---

А.Е. Кононюк Дискретно-непрерывная математика 
304