Економіко-математичне моделювання

x2
xn
x1
Wi2
Wi1
Win
Рис. 21.3.2. Спрощена схема моделі МакКоллока-Пітса
Розвиваючи дану тематику, Д. Хебб у процесі дослідження
асоціативної пам’яті запропонував теорію навчання (підбір ваг Wij)
нейронів. При цьому він скористався спостереженням про те, що ваги
міжнейронних з’єднань при активації нейронів можуть зростати. У
моделі Хебба приріст ваг ij W Δ у процесі навчання пропорційний
добутку вхідних сигналів yi,та yj, нейронів, зв’язаних вагою Wij:
Δ Wij = Wij ( k + 1) − Wij( k) =η yi( k) yj( k ) ,i = 1,n; j = 1,n
або
, (21.33)
( ) ( ) ( ) ( )
Σ
W k + 1 = W k +η y k y k ,i = 1,n; j = 1,n,
ij ij i j
де k – означає номер циклу, а η – коефіцієнт навчання.
На початку 60-х років минулого століття Ф. Розенблатт
розробив теорію динамічних нейронних мереж для моделювання, яка
базувалася на персепторній моделі МакКоллока-Пітса.
Сьогодні день штучні нейронні моделі є високорозвинутою
галуззю знань як у теоретичному, так і в прикладному аспекті.
Підтвердженням цьому є широкомасштабне використання
генетичних алгоритмів.
Поєднання генетичних і нейронних алгоритмів забезпечує
значний потенціал макроекономічних досліджень у різних
предметних областях.
Генетичні алгоритми ґрунтуються на теоретичних досягненнях
синтетичної теорії еволюції з врахуванням мікробіологічних
683
1
Wi0
ui
f
Yi