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

Пример 5.3
Обучить с помощью программы 
BrainMaker 
нейронную сеть, 
реализующую логическую систему XOR (рис. 3.11) с начальными зна-
чениями весов, рассчитанными в примере 3.27 генетическим алгорит-
мом программы 
Evolver 
и представленными на рис. 5.35. Это еще один 
пример гибридного подхода к обучению весов нейронной сети, 
реализующей логическую систему XOR. Он очень похож на предыду-
щий пример, однако отличается набором начальных значений весов, 

---

А.Е. Кононюк Дискретно-непрерывная математика 
308 
полученных за меньшее время выполнения генетического алгоритма и, 
следовательно, более далеких от оптимальных.
Толерантность погрешности принята равной 0,025, что означает 2,5 % 
допустимой погрешности, т.е. разницы между фактическим выходным 
значением и заданным значением - эталоном. Поэтому для эталона, 
равного 0, корректным будет признаваться выходное значение от 0 до 
0,025, а для эталона, равного 0 - значение от 0,975 до 1. Начальный 
набор весов для программы 
BrainMaker 
представлен на рис. 5.92, а на 
рис. 5.93 – 5.96 показаны результаты тестирования сети. 
 
Рис. 5.92. 
Исходное множество весов для программы 
BrainMaker, 
полученное с помощью генетического алгоритма программы 
Evolver.
 
Рис. 5.93. 
Результат тестирования нейронной сети с весами, 
показанными на рис. 5.92, для u
1
= 0, 
и
2
 
= 0 и 
d 
= 0. 
 
Рис. 5.94. 
Результат тестирования той же сети для 
и
1
 = 
0, 
и
2
 = 
1 и 
d = 
1.