Выбор функции соседства и скорости обучения

из "Анализ финансовых данных "

Поскольку использовать введенную в гл. 11 гауссову функцию может оказаться несколько затруднительным, вы можете прибегнуть и к более простой функции, которая также достаточно хорошо работает, особенно если модельные вектора инициализированы так, как рекомендовано выше. [c.266]
Если вы начнете вычисления с предварительно упорядоченных начальных значений in, то выбор точных значений N (t) и а( ) не является критическим. Затем вы сможете уменьшать /V линейно (т.е. дискретными шагами) в промежутке, например, от 3 до 1, уменьшая одновременно скорость обучения, скажем, от 0,02 до 0. [c.267]
Для получения наилучших результатов число шагов в алгоритме должно превышать число узлов (нейронов) СОК по крайней мере в 100 раз. [c.267]
Если для инициализации модельных векторов используются случайные числа, то приведенные выше рекомендации относительно выбора значений N (t) и а( ), не годятся. В этом случае начальный радиус N должен составлять половину размера сети, и скорость обучения должна быть близкой к единице в начале процесса. Хотя этот вариант был неоднократно подтвержден экспериментально, применять инициализацию случайными числами на практике мы не рекомендуем Лучше остановиться на регулярных начальных значениях, поскольку нет необходимости всякий раз демонстрировать действие алгоритма самоорганизации в полном объеме. [c.267]

Вернуться к основной статье