You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
X( t 1 ) , X( t 2 ) ,..., X( t n)<br />
найбільш імовірне значення послідовності ( t)<br />
− − − , мережа вибирає рішення, яким буде<br />
X у даний момент t. Для<br />
адаптації вагових коефіцієнтів мережі використовують фактичну похибку<br />
ε = X ( t) − Xˆ ( t)<br />
і значення цієї похибки в попередні моменти часу.<br />
При розв’язанні задач ідентифікації та управління динамічними<br />
процесами нейромережі, як правило, виконують декілька функцій.<br />
Вони є нелінійними моделями окресленого процесу, які забезпечують<br />
прийняття відповідних керованих рішень.<br />
У задачах асоціації нейронна мережа відіграє роль асоціативного<br />
запам’ятовуючого пристрою (ЗП). Можна виділити ЗП асоціативного<br />
типу, з допомогою яких визначається кореляція між окремими<br />
компонентами одного й того ж вхідного вектора, та ЗП<br />
гетероасоціативного типу, засобами яких встановлюється кореляція між<br />
двома різними факторами. Якщо на вхід мережі подається<br />
неструктурований вектор (наприклад, він містить білий шум компоненти<br />
чи взагалі не містить окремих компонент), тоді нейромережа зможе<br />
відновити правдивий і очищений від шумів вектор, а в подальшому<br />
згенерувати при цьому повну версію асоційованого з ним вектора.<br />
Важлива властивість нейромереж, яка говорить про їх великий<br />
потенціал і широкі прикладні можливості, полягає в паралельній<br />
обробці інформації всіма нейронами. Завдяки цій властивості при<br />
великій кількості міжнейронних зв’язків досягається значне<br />
прискорення процесу обробки інформації.<br />
Інша, не менш важлива, властивість нейронних мереж полягає у<br />
здатності навчання та узагальнення отриманих знань. Мережа володіє<br />
рисами так званого штучного інтелекту. Натренована на обмеженій<br />
множині навчальних вибірок, вона узагальнює набуту інформацію та<br />
виробляє очікувану реакцію стосовно даних, які оброблялися в<br />
процесі навчання.<br />
Тут можна виділити дві стратегії навчання мережі: з учителем і<br />
без нього.<br />
При навчанні з учителем припускається, що крім вхідних<br />
сигналів, які складають вектор Х, також відомі й очікувані вихідні<br />
сигнали нейрону dі, що складають основу цільового вектора d. Разом<br />
вони утворюють навчальну пару, а мережа тренується на основі<br />
деякого числа таких пар. У такій ситуації вибір вагових коефіцієнтів<br />
повинен бути організованим таким чином, щоб фактичні вихідні<br />
сигнали нейрона yi приймали значення найбільш близькі до<br />
очікуваних значень dі. Основним елементом процесу навчання з<br />
учителем є знання стосовно очікуваних значень dі вихідного сигналу.<br />
685