Изкуствена невронна мрежа: Разлика между версии
Изтрито е съдържание Добавено е съдържание
Редакция без резюме |
м Без в момента ->неясно кога, по-устойчива във времето версия |
||
Ред 15:
Обучаването на една невронна мрежа се извършва чрез промяна на теглата на връзките между невроните и се осъществява чрез правила, които определят как да се променят тези тегла. Най-разпространеното сред тях е метода на обратното разпространение на сигнал за [[грешка]] (back-propagation), където за всеки изходен неврон се изчислява разликата от желаното му поведение, като се формира сигнал за грешка, който се движи назад към входния слой и по пътя си променя теглата на връзките така, че при следващата активация на мрежата грешката да бъде по-малка от сегашната. Този начин на „обучение“ на мрежата обаче води до „забравяне“ – ако мрежата бъде обучена да разпознава един елемент и впоследствие той не се повтори във входните данни, мрежата „забравя“ този елемент.
Този модел на човешкия мозък не е перфектен. Повечето съществуващи към момента изкуствени невронни мрежи не могат да моделират ефекта на [[хормон]]ите върху мозъка. Освен това се оказва, че за да можем математически да опишем една изкуствена мрежа, в нея трябва да се спазват определени правила, например сигналите да се движат от входния към изходния слой, но не и обратно. (Съществуват и изкуствени мрежи, които са циклични, но поради повишената им сложност все още не са добре изучени.) Може би най-големият недостатък на невронните мрежи е, че тяхното обучение изисква множество повторения, а в много случаи животните научават дадена информация след като са били изложени на нея само веднъж.
|