В современных системах автоматизированного проектирования ши

Рис. 5.8.
Обобщённый критерий оценки качества нейронных сетей 

---

134
множеству 
G
X
свидетельствует о том, что НС отвечает критериям качества. 
Если значения параметров 
X
1
, 
X
2
,..., 
X
k
больше допустимых 
X
1
p
, 
X
2
p
,…, 
X
kp
 
то есть
X
1
> 
X
1
p
,
X
2
> 
X
2
p
,
X
k
 > X
kp
, то НС являются не удовлетворяющим 
параметрам качества. Если некоторые из значений параметров 
X 
будут 
больше допустимых, а другие меньше допустимых, то НС является час-
тично удовлетворяющим параметрам качества. Для условия полного удов-
летворения параметрам качества НС –
X
k
< X
kp
. Это соответствует тому, 
что множество 
G
x
 

G
xp
. 
Алгоритм обучения архитектуры НС представлен на рис. 5.9. 
На первом этапе осуществляется получения параметров обучения и 
протоколирования. При этом нейронная сеть обрабатывает практически 
любые входные данные. Формируются учебные и тестовые образы для 
расчёта параметров выходных данных [87].
На второй стадии осуществляем выбор оптимальных архитектур НС, 
принадлежащих множеству Парето (рис. 5.10). 
Особенность состоит в том, что для расчёта параметров выходных 
данных, используется имитационная модель. Для неё набор данных, ин-
формация о внутренней структуре и содержании отсутствует полностью, 
но известны спецификации входных и выходных данных. Для получения 
такой информации проведены теоретические и аналитические исследова-
ния, изложенные в предыдущих главах. 

---