Нейронную

данные, а также начальные значения весовых коэффициентов не согласуются 
со структурой сети и спецификой конкретной задачи.
• Распространенной проблемой является 
насы щ ение 
сети — ситуация, когда 
большие значения сигналов, часто обусловленные большими значениями ве­
совых коэффициентов, приводят к сигналам, попадающим в область близких 
к нулю значений градиента функции активации. Результатом этого является 
снижение способности сети обучаться на лучших значениях весовых коэффи­
циентов.
• Другую проблему представляют 
нулевы е 
значения сигналов или весов. Эти 
значения также полностью лишают сеть возможности обучаться на лучших зна­
чениях весовых коэффициентов.
• Значения весовых коэффициентов внутренних связей должны быть 
случайны ­
ми 
и 
небольш ими, 
но не нулевыми. Иногда используют более сложные пра­
вила, включающие, например, уменьшение значений весовых коэффициентов 
с увеличением количества связей, ведущих к узлу.
• Входные сигналы
должны масштабироваться до небольших, но ненулевых 
значений. Обычно используют диапазоны значений от 0,01 до 0,99 и от -1 .0  
до +1,0 в зависимости от того, какой из них лучше соответствует специфике 
задачи.
• Вы ходны е сигналы
должны находиться в пределах диапазона, который 
способна обеспечить функция активации. Значения, меньшие или равные 0 
и большие или равные 1, не совместимы с логистической сигмоидой. Установка 
тренировочных целевых значений за пределами допустимого диапазона при­
ведет к еще большим значениям весов и в конечном счете к насыщению сети. 
Неплохим диапазоном является диапазон значений от 0,01 до 0,99.