2.2.2. Обучение третьего слоя.

min

г к

Функционал специально построен таким образом, что не содержит активационной функции и является квадратичной формой по

48

отношению к синаптическим весовым коэффициентам нейрона, поскольку известно, что такой функционал минимизируется при помощи метода сопряженных градиентов за конечное число шагов. Далее пусть тхо и mni соответственно максимальное значение отклика нейрона на элементах чужих классов и минимальное значение отклика нейрона на элементах своего класса. Если тхо < тптогда эти классы разделимы, обучение данного нейрона успешно, и он добавляется в сеть. В противном случае, т.е. когда хотя бы у одного из выходных нейронов условие тх0 <тп] не выполняется, необходим дополнительный слой RBF-нейронов. Этот слой обучается по вышеописанному алгоритму с исключением первого этапа и использованием только второго.

Таким образом, в результате получается слой нейронов, в котором на каждый элемент реагирует лишь один нейрон, и в этом случае, если необходимо отображение отличное от простой идентификации классовой принадлежности распознаваемого элемента, то веса последнего слоя нейронов вычисляются очевидным образом с использованием методов линейной оптимизации.