Разновидности сети обратного распространения

Добавление нейронного смещения.

Во многих случаях желательно наделять каждый нейрон обучаемым смещением. Это позволяет сдвигать начало отсчета логической функции, давая эффект, аналогичный подстройке порога персептронного нейрона, и приводит к ускорению процесса обучения. Эта возможность может быть легко введена в обучающий алгоритм с помощью добавляемого к каждому нейрону веса, присоединенного к +1. Этот вес обучается так же, как и все остальные веса, за исключением того, что подаваемый на него сигнал равен +1, а не выходу нейрона предыдущего слоя.

Импульс.

Метод, названный импульсом, заключается в добавлении к коррекции веса члена, пропорционального величине предыдущего изменения веса. Как только происходит коррекция, она «запоминается» и служит для модификации всех последующих коррекций. Уравнения коррекции модифицируются следующим обра­зом:

D wpq,k(n+1) = h(dq,kOUT p,j) + a[Dwpq,k(n)],

wpq,k(n+1) = wpq,k(n) + D wpq,k(n+1),

где a - коэффициент импульса, обычно устанавливается около 0,9.

Используя метод импульса, сеть стремится идти по дну узких оврагов поверхности ошибки (если таковые имеются), а не двигаться от склона к склону. Этот метод, по-видимому, хорошо работает на некоторых задачах, но дает слабый или даже отрицательный эффект на других.

Экспоненциальное сглаживание.

Метод, основанный на экспоненциальном сглаживании, может иметь преимущество в ряде приложений.

D wpq,k(n+1) = a D wpq,k(n) + (1-a)dq,kOUT p,j,

Затем вычисляется изменение веса

wpq,k(n+1) = wpq,k(n) + hD wpq,k(n+1),

где a коэффициент сглаживания, варьируемый и диапазоне от 0,0 до 1,0. Если a равен 1,0, то новая коррекция игнорируется и повторяется предыдущая. В области между 0 и 1 коррекция веса сглаживается величиной, пропорциональной a. По-прежнему, h является коэффициентом скорости обучения, служащим для управления средней величиной изменения веса.

Трудности обучения сети обратного распространения.