В работе рассматриваются различные алгоритмы обучения многослойного персептрона. В пакете STATISTICA Neural Networks произведено моделирование процесса обучения многослойного персептрона
нейронные сети, многослойный персептрон, алгоритм обучения.
Искусственные нейронные сети широко используются для решения разнообразных задач: распознавание образов, классификация, управление и принятие решений, ассоциативная память и другие.
Существует большое число разнообразных архитектур нейронных сетей с различными принципами функционирования. В работе рассматривается многослойная полносвязная нейронная сеть прямого распространения – многослойный персептрон, которая широко используется для решения задач распознавания образов, прогнозирования временных рядов и аппроксимации функций.
Одной из ключевых особенностей нейронных сетей является их способность к обучению. Целью обучения является сопоставление некоторому множеству начальных значений (входов) множества выходных значений. Этот процесс осуществляется за счет определенного алгоритма изменения весовых коэффициентов связей между отдельными нейронами.
В пакете STATISTICANeuralNetworksбыл спроектирован многослойный персептрон с одним скрытым слоем для решения задачи прогнозирования временного ряда. Входной слой состоял из 5 нейронов, выходной из 1 нейрона, число нейронов в скрытом слое – 10.
1. Андреева Е.А. Оптимизация нейронных сетей: учеб. пособие. - Тверь, 2008.
2. Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип. - М.: Горячая линия-Телеком, 2002.
3. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. - 2-е изд., перераб. и доп. - М.: Горячая линия-Телеком, 2008.
4. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Пер. с англ. Ю.А. Зуева, В.А. Точенова. - М.: Мир, 1992.
