202 / 320
200
2
1
1
,
N
i
i
MSE
e
N
где
MSE
– величина среднеквадратичной ошибки для данного
эксперимента между ответом сети и реальной частотой (МГц
2
),
N
– число
точек в данной последовательности частот,
e
– текущая ошибка сети.
Исходя из опыта работ по прогнозированию и восстановлению
численных рядов с помощью методики ИНС для краткосрочных и
долгосрочных прогнозов, ИНС Элмана подверглась модернизации с целью
получать сети разной разветвленности (разное число нейронов и связей).
Так была создана двухслойная сеть с одним входным слоем и одним
выходом (рисунок 7.3) с изменяемыми параметрами архитектуры.
Рисунок 7.3 – Архитектура разветвленной ИНС Элмана
Для решения классификационных геофизических задач традиционно
применяется ИНС, построенная по принципу самообучения. Обучение
без «учителя», как и в случае обучения с «учителем», заключается
в подстройке весов синапсов. Очевидно, что подстройка весов может
проводиться только на основании информации, доступной в нейроне, то
есть информации о его состоянии, уже имеющихся весовых
коэффициентах и поданном входном векторе. Исходя из этого и, что более
важно, по аналогии с известными принципами самоорганизации нервных
клеток построены алгоритмы обучения Хебба и Кохонена. Следует
отметить, что вид откликов на каждый класс входных событий неизвестен
заранее и будет представлять собой произвольное сочетание состояний
нейронов выходного слоя, обусловленное случайным распределением
весов на стадии инициализации. Общая идея данных алгоритмов
заключается в том, что в процессе самообучения путем соответствующей
коррекции весов усиливаются связи между возбужденными нейронами.