На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

гда экспериментальные данные сильно зашумлены. Для многослойных персептронов
характерна послойная передача сигнала, от входа нейросети к ее выходу.
В то же время при обучении нейросетей этого типа настройка весовых коэффициентов
связей проводится последовательно, начиная со связей выходного
слоя, поэтому методы обучения таких нейросетей носят название методов обратного
распространения ошибки [41, 42].
1.2.4.2. Функционал ошибки нейросети
Суть обучения нейросети заключается в минимизации функционала
ошибки для выборки E(w) в пространстве ее настроечных параметров, каковыми
являются веса связей (пороги нейрона здесь тоже рассматриваются как веса
связей, ведущих от псевдонейронов смещения с постоянным значением выхода,
равным единице, к этому нейрону):
P
∑
p p
E(
w)
= v E ( w)
, (4)
p=
1
где: ν p – вес p-ого объекта (например, химического соединения) из обучающей
выборки; P – количество объектов в обучающей выборке; E p (w)
- индивидуальный
функционал ошибки для p-ого объекта из обучающей выборки, который
обычно (но не всегда!) представляют как взвешенную сумму значений
функции потерь l(·,·) для каждого из выходных нейронов (т.е. для каждого из
одновременно прогнозируемых свойств в случае QSAR/QSPR-анализа):
E
p
K
∑
p p
( w)
= v l(
d , o ) , (5)
k=
1
k
k
k
где: ν k – вес k-ого выходного нейрона; K – количество выходных нейронов
(равное числу одновременно прогнозируемых свойств химических соединений
в случае QSAR/QSPR-анализа). В большинстве случаев (но не всегда!) используется
квадратичная функция потерь, что превращает нейронную сеть в вариант
метода наименьших квадратов:
1 2 2
l(
d,
o)
= ( d − o ) . (6)
2
20