Проектирование сети
Трехслойная сеть с обратным распространением ошибки является, вероятно, эффективной для большинства приложений. Согласно некоторым источникам, этот тип сети используется в 95 процентах работающих приложений на основе нейронной сети и тренируется гораздо быстрее, чем 4- или 5-слойные сети. При использовании Калибровки эта сеть будет также хорошо обобщать.
NeuroShell 2 предлагает специальный тип сети с обратным распространением ошибки, называемый рекуррентной сетью. Рекуррентные сети отлично подходят для данных, представляющих собой временные зависимости.
Если Ваши тренировочные данные "рыхлые" и Вы хотите разделить тренировочные примеры на категории, используйте Вероятностную Нейронную Сеть (ВНС), известную своей способностью тренироваться очень быстро и работать на "рыхлых" данных.
Как и сети ВНС, Нейронные Сети с Общей Регрессией (НСОР) известны своей способностью быстро тренироваться на "рыхлых" наборах данных. Однако вместо классификации данных, как для ВНС, приложения на основе НСОР способны давать непрерывные выходы. В процессе проверки мы обнаружили, что для многих типов задач (но не для всех) НСОР ведут себя гораздо лучше, чем сети с обратным распространением ошибки. Они особенно полезны при аппроксимации непрерывных функций.
Самоорганизующаяся карта Кохонена полезна для кластеризации данных. Поскольку этот тип сети не требует обучения с учителем, всё, что от Вас требуется, это сообщить сети желаемое количество категорий.
Предыдущая новость / Следующая новость
|
|