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

Evolver 
и представленными на рис. 5.37.
На рис. 5.59 показаны значения весов, введенные в программу 
BrainMaker. 
Они сгруппированы в два блока, разделенные пустой 
строкой. Первый блок содержит веса связей между входным и скры-
тым слоем так, что для каждого из двух нейронов скрытого слоя при-

---

А.Е. Кононюк Дискретно-непрерывная математика 
295 
ведены веса связей со всеми входами, а последние элементы строк - это 
w
10
и 
w
20
. 
Второй блок содержит веса связей между скрытым и вы-
ходным слоем, т.е. три веса выходного нейрона, причем последним 
указан вес 
w
30
. 
В примере использовался интервал значений весов
[-7, 8].
Результаты тестирования сети приведены на рис. 5.60-5.63. Можно 
сделать вывод о хорошей обученности сети. Значения на выходах для 
четырех пар входных значений практически совпадают с показанными 
на рис. 5.37. Абсолютная разность между заданным значением 
d 
и 
выходным значением у для каждой пары входов 
u
1
и 
и
2 
(рис. 5.60-5.63) 
оказалась меньше 0,025, поэтому сеть может считаться хорошо 
обученной с толерантностью 0,025 и тем более - с толерантностью 0,1. 
Понижение порога толерантности до 0,02 означало бы, что эта сеть не 
считается хорошо обученной и что требуемый уровень обучения не 
может быть достигнут. Дальнейшее обучение при толерантности, 
равной или меньшей 0,02, не изменяет значений весов, показанных на 
рис. 5.59.
 
Рис. 5.59. 
Показанные на рис. 5.37 веса нейронной сети, реализующей 
систему XOR (рис. 3.11) и подготовленной к тестированию 
программой 
BrainMaker.
Однако, как будет видно из примера 5.2, уменьшение толерантности до 
0,022 принесло бы эффект в виде «дообучения» сети.