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

 
Рис. 5.98. 
Результат тестирования нейронной сети, обученной 
программой 
BrainMaker 
с толерантностью 0,025 (рис. 5.97), для u
1
= 0, 
u
2
= 1 и d = 1. 
 
Рис. 5.99. 
Результат тестирования той же сети для 
и
1
 = 
0, u
2
= 0 и 
d = 
0. 
 
Рис. 5.100. 
Результат тестирования той же сети для u
1
= 1, 
и
2
 
= 1 и 
d 
= 
0. 
Представляет интерес сопоставление рис. 5.101 и 5.79, поскольку они 
отражают обучение с одной и той же толерантностью, равной 0,025. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
311 
 
Рис. 5.101. 
Веса нейронной сети (при начальных значениях, 
показанных на рис. 5.92), обученной программой 
BrainMaker 
с 
толерантностью 0,025 . 
Если продолжить обучение сети при меньшем значении толерантности, 
то (по аналогии с примером 3.31) можно найти значения весов, еще 
более близкие к оптимальным и практически совпадающие с показан-
ными на рис. 5.91.
Рассмотрим теперь эффект обучения нейронной сети, реализующей 
логическую систему XOR, с помощью только программы 
BrainMaker 
без применения генетического алгоритма. 
Пример 5.4
Обучить с помощью программы 
BrainMaker 
нейронную сеть, 
реализующую логическую систему XOR (рис. 3.2) с начальными зна-
чениями весов, представленными на рис. 5.32.
Показанные на рис. 5.32 значения весов сгенерированы случайным 
образом. На рис. 5.102 эти веса представлены в формате программы 
BrainMaker.

---

А.Е. Кононюк Дискретно-непрерывная математика 
312