В современных системах автоматизированного проектирования ши

126
Рис. 5.7.
Обучение без учителя 
свойства обучающего множества и группирует сходные векторы в классы. 
Предъявление на вход вектора из данного класса даст определённый вы-
ходной вектор. До обучения невозможно предсказать, какой выход будет 
производиться данным классом входных векторов. Следовательно, выходы 
подобной сети должны трансформироваться в некоторую понятную фор-
му, обусловленную процессом обучения. Это не является серьезной про-
блемой. Обычно не сложно идентифицировать связь между входом и вы-
ходом, установленную сетью [85, 86].
Большинство современных алгоритмов обучения выросло из концеп-
ций Хэбба. Им предложена модель обучения без учителя, в которой синап-
тическая сила (вес) возрастает, если активированы оба нейрона, источник и 
приёмник. Таким образом, часто используемые пути в сети усиливаются и 
феномен привычки и обучения через повторение получает объяснение. 
В искусственной нейронной сети, использующей обучение по Хэббу, 
наращивание весов определяется произведением уровней возбуждения пе-
редающего и принимающего нейронов. Это можно записать как 
w
ij
(
n
+1) = 
w
(
n
) + OUT
i
OUT
j
, 
где
w
ij
(
n
) – значение веса от нейрона 
i
к нейрону 
j
до подстройки;
Стимул 
Реакция 
Система 
обучения 
Внешняя
среда 

---

127
w
ij
(
n
+1) –значение веса от нейрона 
i
к нейрону 
j
после подстройки;
n
– коэффициент скорости обучения;
OUT
i
– выход нейрона 
i
и вход нейрона 
j
;
OUT
j
– выход нейрона 
j
. 
Теория обучения рассматривает три фундаментальных свойства, свя-
занных с обучением по примерам: ёмкость, сложность образцов и вычис-
лительная сложность. Под ёмкостью понимается, сколько образцов может 
запомнить сеть, и какие функции и границы принятия решений могут быть 
на ней сформированы. Сложность образцов определяет число обучающих 
примеров, необходимых для достижения способности сети к обобщению. 
Слишком малое число примеров может вызвать "переобученность" сети, 
когда она хорошо функционирует на примерах обучающей выборки, но 
плохо – на тестовых примерах, подчинённых тому же статистическому 
распределению. Известны четыре основных типа правил обучения: кор-
рекция по ошибке, машина Больцмана, правило Хебба и обучение методом 
соревнования [88÷95].