На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

дящихся на 2-ом, 3-м и т.д. местах по уровню входного сетевого сигнала. Это
приводит к более точной аппроксимации кусочными наклонными поверхностями.
Подобный эффект может быть достигнут путем подмешивания в слой
Кохонена дополнительных линейных либо нелинейных нейронов, латерально
связанных с нейронами Кохонена (см. [21]). Нейросети встречного распространения
обучаются значительно быстрее нейросетей обратного распространения,
однако они не столь универсальны, менее точно аппроксимируют функциональные
зависимости, слишком чувствительны к нерелевантным компонентам
входных векторов и к большой их размерности.
Следует подчеркнуть, что составные нейросети, включающие в свой состав
различные сетевые архитектуры и использующие различные методы обучения,
более близки по принципам функционирования к человеческому мозгу,
чем рассмотренные выше однородные структуры, подобные нейросетям обратного
распространения.
1.2.5.3. Нейросети с радиальной базисной функцией
В отличие от многослойных персептронов, самоорганизующихся карт
Кохонена и нейросетей на основе теории адаптивного резонанса (см. ниже), которые
имеют под собой определенные нейрофизиологические основания, нейросети
с радиальной базисной функцией (Radial Basis Function [RBF] neural
networks) менее всего связаны с представлениями из биологии, базируясь в
наибольшей степени на аппарате математической статистики. В сущности, их
можно даже считать методами непараметрического статистического анализа,
описанными при помощи терминологии аппарата нейронных сетей. Они тесно
связаны с современными методами ядерного (kernel) статистического оценивания.
Нейронные сети с радиальной базисной функцией (RBF-сети) в определенном
смысле можно считать дальнейшим развитием сетей встречного распространения
(см. пункт 1.2.5.2). Предложенные рядом авторов в 1989 г. [67],
они предназначаются, прежде всего, для решения задач аппроксимации функ-
41