13.1.2. Сигмоидальный нейрон
Н ейрон сигмоидального типа имеет структуру, подобную модели МакКаллока-Питса, с той разницей, что функция активации является непрерывной и может быть выражена в виде сигмоидальной униполярной или биполярной функции. Униполярная функция, как правило, представляется формулой:
Униполярная
функция
а биполярная функция формулой:
.
П
Биполярная функция
,
а для биполярной функции:
Сигмоидальный нейрон обучается с учителем с применением градиентных методов, позволяющих минимизировать целевую функцию обучения на каждом его шаге:
.
В соответствии с методом наискорейшего спуска уточнение весов wij проводится в направлении отрицательного градиента целевой функции:
,
где , .
Значения весовых коэффициентов уточняются по формуле:
,
где — коэффициент обучения, который обычно принадлежит интервалу (0, 1).
Применение градиентного метода для обучения нейрона гарантирует только достижение локального минимума. Выход из его окрестности при использовании простого алгоритма наискорейшего спуска невозможен, поэтому на практике применяют обучение с разбросом или моментом. В этом методе процесс уточнения весов определяется не только информацией о градиенте функции, но также и фактическим трендом изменения весов:
,
где .
Влияние момента на подбор весов увеличивается с ростом значения , поэтому следует выбирать таким, чтобы момент не доминировал в процессе обучения, так как это приводит к нестабильности (расходимости) алгоритма обучения.
13.1.3. Нейрон типа «адалайн»
М
Адаптивный подбор весовых коэффициентов осуществляется в процессе минимизации квадратичной ошибки:
.
В связи с тем, что целевая функция непрерывна в алгоритме Видроу, для ее минимизации применяется метод наискорейшего спуска. При этом веса уточняются по формуле:
,
г
Выход типа OR.
В
Выход типа AND.
К
Мажоритарный
выход.