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

 
Рис. 5.10
9. Продолжение обучения, показанного на рис. 5.107. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
317 
 
Рис. 5.110. 
Завершающая фаза обучения, показанного на рис. 3.187. 
Полученные значения весов нейронной сети с толерантностью 
погрешности, равной 0,1, представлены на рис 5.111. 
 
Рис.5.111. 
Веса нейронной сети, обученной программой 
BrainMaker 
с 
толерантностью 0,1
.

---

А.Е. Кононюк Дискретно-непрерывная математика 
318 
Заметим, что значение погрешности RMS для этого случая (см. рис. 
5.110) достаточно близко к значению погрешности Q, рассчитанному 
программой 
Evolver 
в примерах 3.23 - 3.27 для значений весов с рис. 
5.111 (среднеквадратичная погрешность Q = 0,009887).
Нейронная сеть с весами, показанными на рис. 5.102, была обучена с 
толерантностью погрешности 0,1 за 399 прогонов алгоритма 
программы 
BrainMaker. 
Результаты тестирования сформированной 
сети представлены на рис. 5.112-5.114. 
 
Рис. 5.112. 
Результат тестирования нейронной сети, обученной 
программой 
BrainMaker 
с толерантностью 0,025, для 
и
1
 = 0, u
2 
= 1 
и 
d 
= 
1. 
 
Рис. 5.113. 
Результат тестирования той же сети для u
1
= 0, 
и
2
 = 
0 и 
d 
= 
0. 
 
Рис. 5.114. 
Результат тестирования той же сети для 
и
1
 
= 1, 
и
2
 
= 1 и 
d = 
0. 
Для входов 
u
1
= 1 и 
и
2
 = 
0
 
решение приведено на рис. 5.110. Сеть может 
считаться 
обученной, 
поскольку 
в 
ходе 
тестирования 
не 

---

А.Е. Кононюк Дискретно-непрерывная математика 
319 
зарегистрированы ошибочные отклики. Далее обучение сети 
продолжилось с толерантностью погрешности, равной 0,025. После 510 
прогонов получены графики, изображенные на рис. 5.115, и значения 
весов, приведенные на рис. 5.116.