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

 
Рис. 5.122. 
Веса нейронной сети, реализующей систему XOR, 
полученные программой 
GTO 
(пример 5.5). 
 
Рис. 5.123. 
Результат тестирования сформированной программой 
GTO 
нейронной сети с весами, показанными на рис. 5.122, для u
1
= 0, 
и
2
 = 
0 
и 
d 
= 0. 
 
Рис. 5.124. 
Результат тестирования той же сети для u
1
= 0, u
2
= 1 и 
d = 
1. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
328 
 
Рис. 5.125. 
Результат тестирования той же сети для 
и
1
 
= 1, 
и
2
 
= 0 и 
d 
= 
1. 
 
Рис. 5.126. 
Результат тестирования той же сети для 
и
1
 = 
1, 
и
2
 = 
1 и 
d 
= 
0. 
Заметим, что значение погрешности Q, рассчитываемой программой 
Evolver
, для сети с весами, показанными на рис. 5.122, равно 0,007451. 
Эта погрешность меньше значения Q, рассчитанного для сети из 
примера 5.4 (веса см. на рис. 5.111). Конечно, новая сеть ненамного 
лучше сети из примера 5.4. Теперь следует вновь применить 
программу 
BrainMaker 
для проверки - можно ли улучшить 
характеристики сети, полученной в результате выполнения программы 
GTO. 
Очевидно, что попытка дообучения этой сети с толерантностью 
погрешности 0,1 ничего не изменит. Однако при задании уровня 
толерантности 0,025 мы получаем процесс, показанный на рис. 5.127 и 
значения весов, представленные на рис. 5.128.

---

А.Е. Кононюк Дискретно-непрерывная математика 
329 
Рис. 5.127. Процесс обучения нейронной сети, сформированной 
программой