Параметры нейронных сетей линейного распространения

Номер аппа-рата ИТН	Номер сети	Функция, реализующая алгоритм обучения	Функция тренировки	Функция ошибки	Выход-ной пара-метр	Относи-тельная погреш-ность	Средняя относи-тельная погрешность

		Метод градиен-тного спуска	Обучающая функция градиент-ного спуска	Сред-няя квадра-тичная ошибка		0,0145	0,0273
	0,0079
	0,7692
	Метод градиент-ного спуска с учетом моментов	Обучающая функция градиент-ного спуска	Сред-няя квадра-тичная ошибка		0,0211	2,9235
	0,0074
	6,446
	Метод Левен-берга-Маркара (Leven-berg-Mar-quardt)	Обучающая функция градиент-ного спуска с учетом моментов	Сред-няя квадра-тичная ошибка		0,0139	0,0263
	0,0145
	0,6932
		Метод градиент-ного спуска	Обучающая функция градиент-ного спуска	Сред-няя квадра-тичная ошибка		0,0104	0,0236
	0,0080
	0,7948
	Метод градиент-ного спуска с учетом моментов	Обучающая функция градиент-ного спуска	Сред-няя квадратичная ошибка		0,0105	0,0235
	0,0078
	0,0800
	Метод Левен-берга-Маркара (Levenberg-Marquardt)	Обучающая функция градиент-ного спуска с учетом моментов	Сред-няя квадра-тичная ошибка		0,0081	0,0231
	0,0079
	0,8174


	Метод градиент-ного спуска	Обучающая функция градиент-ного спуска	Сред-няя квадра-тичная ошибка		0,0105	0,0275
0,0104
0,7446
Метод градиент-ного спуска с учетом моментов	Обучающая функция градиент-ного спуска	Сред-няя квадра-тичная ошибка		0,0108	0,0228
0,0094
0,5771
Метод Левенбер-га-Маркара (Levenberg-Marquardt)	Обучающая функция градиент-ного спуска с учетом моментов	Сред-няя квадра-тичная ошибка		0,0084	0,0236
0,0069
0,6566

В результате проведённой работы была также построена и обучена радиально-базисная нейронная сеть, структура которой приведена на рис.2.

Входными параметрами радиально-базисных сетей являлись массивы входных и целевых значений , а также параметры GOAL (допустимая среднеквадратичная ошибка сети), SPREAD (параметр влияния), а выходным параметром - параметры радиально-базисной сети. Параметр влияния SPREAD выбирали большим, чем шаг разбиения интервала обучающей последовательности, но меньшим самого интервала, то есть равным 0,1. Параметр GOAL выбирали равным 0. При создании радиально-базисных сетей с нулевой ошибкой, количество нейронов радиально-базисного слоя столько, сколько входных значений. Веса и смещения радиально-базисной сети устанавливаются таким образом, что её выходы точно равны целям. В результате прогона сетей были определены относительные погрешности аппроксимации данных. В таблице 2 приведены соответствующие параметры сетей с минимальной относительной погрешностью для трёх аппаратов ИТН.

Рисунок 2. Структура радиально-базисной сети.

Таблица 2.