3

1. Wyznaczanie błędu neuronu w sieci ^x\

a)    Warstwa wyjściowa

Sk = f(net_k) (dk-yt)    ^xi

(dla& = 1, 2,K)

O

b)    Warstwa ukryta

K    O

pj =    (^dIa./^=    2’    ■/)

*N

2. Algorytm uczenia

Krok 1: Wylosuj początkowe macierze wag W, V\ początkowe wektory odchyleń B, C Krok 2: Dla każdego wektora uczącego X

2.1    Wyznacz wektor wyjściowej z I warstwy (ukrytej)

Y=fiWX+B)

2.2    Wyznacz wektor wyjściowej z II warstwy (wyjściowej)

Z =flV.Y+C)

23 Wyznacz błędy neuronów

a)    Warstwa wyjściowa:

Sk = f(net_k) (,d_k-y_k) (dla k = 1,2,..., £)

b)    Warstwa ukryta:

K

Pi = /'(«<**)X(^dla> = 2,..., 7)

*«i

2.2    Uaktualizuj wagi (dla i =1

a)    Warstwa wyjściowa:

VL =    + 7-^    (dla * = 1,2,..., K)

cL =^cm + t?A

b)    Warstwa ukryta:

WL = W!* + Tj-PjX    (dla; =1,2,..., J)

bL = b^JM + rj.pj

Krok 3: Jeśli wagi pozostały bez zmian lub E<E_min to stop, wpp. powrót do Krok 2

IV. Funkcja błędu

1.    Sieć z jednym wyjściem:

^£=4ź«-*>^!

<«i

P - liczba wektorów uczących

2.    Sieć z wieloma wyjściami

1-1 jm 1

P - liczba wektorów uczących, K- liczba wyjść sieci