Тема 5. Технології нейронних мереж та генетичні алгоритми

Класифікація штучних НМ:

1)          По типу вхідної інформації:

• аналогові (використання інформації в формі дійсних числ);
• двійкові (інформація представлена в двійковому коді).

2)          По характеру навчання:

• з “вчителем” (в процесі навчання відомо набір вихідних значень);
• без “вчителя” (формує вихідні значення тільки на основі вхідних впливів), їх називають самоорганізовуючими.

3)          По характеру налаштування синапсів:

• з фіксованими зв’язками (вагові коефіцієнти вибираються на початковому етапі виходячи з даної задачі);
• з динамічними зв’язками (в процесі навчання відбувається настройка вагових коефіцієнтів).

4)          За методом навчання:

• навчання по алгоритму зворотного розповсюдження помилки;
• з конкурентним навчанням;
• з навчанням по правилу Хебба;
• з гібридним навчанням.

5)          По характеру зв’язків:

• з прямими зв’язками (розповсюджується інформація тільки в одному напрямку від рівня до рівня: це різноманітні персептронні мережі);
• із зворотнім поширенням інформації
• релаксаційні – циркуляція інформації відбувається доти, поки не перестають змінюватись вихідні значення НМ – це НМ Хопфілда, Хемінга;
• багаторівневі мережі – в них відсутній процес релаксації. Це: рекурентні – в них існує зворотній зв’язок між входом і виходом, вихідне значення визначається як залежність вхідних і вихідних значень на попередньому кроці; рециркуляційні – характеризуються як прямим, так і зворотнім перетворенням інформації. Навчання відбувається без “вчителя”, тобто вони самоорганізовуються в процесі роботи.