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

 
 
Рис. 5.115. 
Графики, полученные при последующем обучении 
программой 
BrainMaker 
сети с весами, показанными на рис. 5.111, 
при уровне толерантности 0,025. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
320 
 
Рис. 5.116. 
Веса, полученные в результате последующего обучения 
сети при уровне толерантности 0,025 (после 510 прогонов - рис. 5.115). 
Значение погрешности RMS для этой комбинации весов можно полу-
чить с графика на рис. 5.115. При толерантности погрешности 0,025 
сеть плохо поддавалась обучению, поэтому после 4000 прогонов уро-
вень толерантности был увеличен до 0,03. Графики и значения весов на 
момент изменения уровня показаны на рис.5.117 и 5.118 соответ-
ственно. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
321 
 
Рис. 5.117. 
Процесс обучения сети с толерантностью 0,025 после 4000 
прогонов. 
 
Рис. 5.118. 
Веса, полученные после 4000 прогонов обучения сети с 
толерантностью 0,025. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
322 
После увеличения значения толерантности выполнение программы 
очень быстро - после 402 прогонов - завершилось. Достигнутый 
эффект можно наблюдать на рис. 5.119, а полученные значения весов - 
на рис. 5.120. 
 
Рис. 5.119. 
Процесс обучения сети на рис. 5.117 при изменении 
толерантности до 0,03. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
323