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]
Подобные правила рассчитаны на то, чтобы сеть начинала свою работу в линейном режиме и притом не на плоской части поверхности невязок. Однако нет гарантии, что такое начальное приближение приведет к глобальному минимуму или уменьшит время сходимости. Были разработаны другие методы, дающие еще более хорошее начальное приближение с точки зрения уменьшения времени обучения и обладающие большей устойчивостью в смысле локальных минимумов. Так, Дено и Ланжель разработали метод инициализации весов по прототипам, полученным из обучающего множества ]. Усовершенствованный классический метод выбора начальных значений использует данные анализа главных компонент, но для этого, безусловно, требуется меньше скрытых элементов, чем имеется входов [292]. При использовании обучающих алгоритмов типа ВР выбор начального приближения очень важен. Уже на этом шаге нужно позаботиться о том, чтобы не попасть в локальный минимум. [c.30]