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

 
Рис. 5.95. 
Результат тестирования той же сети для 
и
1
 
= 1, 
и
2
 =
0 и 
d 
= 1. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
309 
 
Рис. 5.96. 
Результат тестирования той же сети для 
и
1
 = 
1, 
и
2
 
= 1 и 
d= 
0. 
Видно, что выходные значения у для конкретных пар входов весьма 
близки к приведенным на рис. 5.35. Сеть не может считаться 
обученной. На 22 тестирующих выборках только 5 раз реакция на 
выходе была корректной, а в 17 случаях - ошибочной. Набор весов с 
рис. 5.92 был получен после всего лишь 96 «тактов» функцио-
нирования программы 
Evolver 
(что соответствует менее чем 2 итера-
циям классического генетического алгоритма). Результаты обучения 
нейронной сети с этими весами программой 
BrainMaker
с толерантно-
стью погрешности, равной 0,025, представлены на рис. 5.97.
 
Рис. 5.97. 
Результат обучения програмой 
BrainMaker 
нейронной сети 
с весами, представленными на рис. 5.64, при уровне толерантности 
0,025. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
310 
Значение погрешности RMS с графика этого рисунка легко сравнить со 
значением погрешности Q на рис. 5.35, 5.36 и 5.37. Заметно, что вы-
ходные значения у для каждой пары входов системы XOR укладыва-
ются в границы 2,5 % толератности. Сеть обучилась достаточно быстро 
- за 104 прогона 
(runs). 
На рис. 5.101 представлены веса обученной 
сети, а на рис. 5.97 – 5.100 - результаты ее тестирования.