Искусство в IT-технологиях...

Нестерук Татьяна Никифоровна. Разработка модели адаптивного корпоративного сайта и инструментария для повышения эффективности маркетинговых решений, 2006

Обучение НС с использованием генетического алгоритма

Известные эволюционные методы, используемые для настройки информационного поля НС путем оптимизации параметров системы межнейронных связей НС, можно подразделить на методы оптимизации весов связей при неизменной топологии сети и методы оптимизации топологии НС в соответствии с заданной целевой функцией [85,86].
Эволюционный алгоритм оптимизации весов связей [85] включает обязательные этапы:
выделения хромосом в структуре НС,
задания целевой функции для осуществления отбора отдельных вариантов НС в процессе их эволюции,
Наибольшее распространение для адаптации многослойных нейронных сетей с прямыми связями получил метод обучения с учителем, а самой популярной реализацией данного метода является алгоритм обратного распространения ошибки - ВРЕ (Back Propagation of Error) [2, 5,83, 84].
предыдущий следующий
= К содержанию =


Обучение НС с использованием генетического алгоритма - релевантная информация:

  1. 1.2.2. Оптимизация сайта с целью повышения эффективности маркетинговой деятельности корпорации
    обучения НС знания можно рассматривать как информационное поле [44, 71], которому свойственны атрибуты распределенности, адаптивности, избыточности, надежности. Нейронные сети сохраняют работоспособность в случае потери отдельных фрагментов информационного поля НС за счет избыточного распределенного хранения информации. структуры сайта с учетом возврата вложенных в модернизацию инвестиций.
  2. Обучение НС по алгоритму обратного распространения ошибки
    обучения нейронной сети сводится к задаче многомерной оптимизации по функции ошибки. Хорошие результаты по обучению нейронных сетей получены при использовании алгоритмов локальной оптимизации в сочетании с процедурой преодоления локальных минимумов и увеличением числа формальных нейронов [5]. Алгоритм обратного распространения ошибки относят к алгоритмам локальной оптимизации. В алгоритме
  3. Нейро-экспертные системы
    обучению, но проводимые ими рассуждения понятны и «прозрачны», в то время как нейронная сеть может обучаться, но действует как "черный ящик". Совокупность качеств делают нейронные сети и экспертные системы хорошими кандидатами на формирование гибридной интеллектуальной системы, называемой нейронной экспертной системой. Нейронные экспертные системы используют обученную нейронную сеть вместо базы
  4. 2.4.2. Алгоритм обучения НС с нечеткими связями в составе корпоративного сайта
    обучения многослойных нейронных сетей, включает следующие шаги [8,100]: 1. Выбор начального числа формальных нейронов в скрытых слоях. 4. Инициализация НС, заключающаяся в присваивании весам и порогам нейронной сети случайных значений из заданного диапазона. Обучение нейронной сети по заданной выборке. Завершение обучения в случае достижения заданной степени соответствия выходных векторов НС
  5. 2.4.4. Аналитические исследования алгоритмов адаптации НС с нечеткими связями
    обучения нейронных сетей, использующие систему нечетких связей, а именно: генетический алгоритм и алгоритм минимизации расхождений в координатах расчетного и целевого выходных векторов. Первый использует эволюционную методику подбора последовательности размещения взвешенных локальных связей в пределах соответствующих нечетких связей в процессе обучения. Второй характеризуется направленностью
  6. 2.4.5. Моделирование процессов адаптации нейро-нечетких классификаторов
    обучения нейро-нечетких сетей. Инструментальные средства моделирования процесса обучения нейро-нечетких сетей адаптивного корпоративного сайта позволяют: знания экспертов отразить в структуре нейро-нечеткой сети (рис. 2.12), обучить нейро-нечеткую сеть на потоке реальных данных (рис. 2.13), проанализировать информационное поле нейро-нечеткой сети, откорректировать исходную базу знаний. Исходя из
  7. Выводы по главе 2
    обучения нейро-нечеткой сети; 2) способность нейронных и нейро-нечетких сетей к классификации и кластеризации; 3) способность информационного ноля нейронных и нейро-нечетких сетей к накоплению знаний в процессе обучения и возможность наследования опыта путем переноса информационных полей НС в новую модификацию корпоративного сайта. Предложены алгоритмы обучения нейро-нечетких сетей, базирующиеся
  8. СПИСОК ИСПОЛЬЗОВАННЫХ источников
    обучение без учителя // http//www.neuropower.dc/rus/books/index.htm Kohonen Т. Self-Organization and Associative Memory, 3rd edn. Springer-Verlag, Berlin, Heidelberg, 1989. Kohonen T. The self-organizing map // Proceedings of the IEEE, 78, 1990. P. 1464-1480. Прокопчина С. В. Принципы создания единого информационного пространства на основе байесовских интеллектуальных технологий // Сбор ник
  9. ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ И ТЕРМИНОВ1
    обучения НС фиксируются скрытые в обучающей выборке знания Свойство автоматизированных систем брать на себя отдельные функции интеллекта человека, т.е., например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Процесс отнесения объектов к одному из классов в соответствии с определенными признаками Выделение групп объектов с
  10. Задачи исследования
    использовании интеллектуальных средств. Разработка показателей для поддержки принятия решений и анализа эффективности информационной структуры корпоративного сайта, учитывающих интенсивность использования механизмов интернет-маркетинга, их распределение по страницам сайта, прибыль хозяйствующего субъекта, связанную с размещением на страницах сайта информационных материалов о товарах и услугах.