В современных системах автоматизированного проектирования ши

76
а.
 
б.
 
в. 
Рис. 3.6.
Удаление объектов от Эталона класса
 
Рис. 3.7.
Изменения весовых коэффициентов, для пары нейронов 
i
, 
j
 
E
j 
A
i 
W
i j 
i 
j 

---

77
Рис. 3.8.
Выбор оптимального множества весовых коэффициентов 
сети для минимальной глобальной ошибки 
будет бесконечно долго колебаться вокруг неё, производя бесконечные 
пересчёты множества весов и 
ухудшая свои показатели
. 
Таким образом, возникает необходимость управлять величиной 
α
. 
Очевидно, что если необходимо достигнуть оптимального множества ве-
совых коэффициентов за минимальное количество итераций, то выбор не-
которого среднего значения шага не является приемлемым. Целесообразно 
в момент начала обучения нейронной сети установить некоторое его мак-
симальное значение, обеспечив, таким образом, быстрое приближение к 
области, где находится 
W
opt
и, затем, постепенно уменьшать его по при-
ближению к самой точке оптимума: 
а
0
= 1; 
a
t
+1
= 
a
t
– 
∂α
, где 
∂α
– декремент 
шага изменения весов сети. 
Определение момента в процессе обучения нейронной сети, когда 
необходимо уменьшить величину шага, а также выбор значения 
∂α
для ка-
ждой задачи индивидуальны. Например, в решённой задаче прогнозирова-

---

78
ния остатков на банковском счёте, опытным путем было установлено, что 
уменьшение
 α
целесообразно производить, если Δ
E
< 0,1·10
–6
, а 
∂α
= 0,001. 
Использование такого условия позволило в течение всего процесса обуче-
ния сохранить 
достаточную скорость 
уменьшения ошибки. 
Предлагаемый метод динамического управления шагом изменения 
весовых коэффициентов нейронной сети в процессе её обучения [54] по-
зволяет обеспечить максимальную скорость уменьшения ошибки сети 
E 
на 
всех участках графика 
E = f (W
).