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

 
Рис. 5.102. 
Сгенерированный случайным образом исходный набор 
весов для нейронной сети, реализующей систему XOR.
 
Нейронная сеть с этими весами не может считаться обученной. 
Результаты ее тестирования приведены на рис. 5.103 – 5.06.
 
Рис. 5.103. 
Результат тестирования нейронной сети с весами, 
показанными на рис. 5.86, для 
и
1
 
= 0, 
и
2
 
= 0 и 
d = 
0. 
 
Рис. 5.104. 
Результат тестирования той же сети для 
и
1
 
= 0, 
и
2
 
= 1 и 
d = 
1. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
313 
 
Рис. 5.105. 
Результат тестирования той же сети для u
1
= 1,u
2
= 0 и d=1. 
 
Рис. 5.106. 
Результат тестирования той же сети для u
1
= 1, 
и
2
 
= 1 и 
d = 
0. 
Заметно, что выходные значения 
у
совершенно не соответствуют 
эталону 1, а для эталона 0 выходные значения также не попадают в 
границы 10% толерантности. Для всех 22 тестирующих выборок 
получены ошибочные выходные сигналы.
Вначале обучение сети проводилось с толерантностью погрешности, 
равной 0,1. Процесс обучения иллюстрируют графики на рис. 5.107. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
314 
 
Рис. 5.107. 
Начальная фаза обучения программой 
BrainMaker
сети с 
весами, показанными на рис. 5.102, при уровне толерантности 0,1. 
На рис. 5.108 показаны значения весов, полученные после 191 прогона 
(runs) алгоритма.

---

А.Е. Кононюк Дискретно-непрерывная математика 
315 
Рис. 5.108. Веса, полученные после 191 прогона алгоритма обучения 
программы 
BrainMaker. 
Продолжение графика с рис. 5.107 демонстрируется на рис. 5.109, а его 
завершение - на рис. 5.110. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
316