В.Н. Коновалов, М.О. Корлякова
8
Рис. 1.
Схема двухслойной гомогенной нейронной сети
для моделирования атмосферы
Варьируемые параметры модели: число нейронов
n
, тип нейронов
( ),
f X
число слоев.
В процессе обучения весовые коэффициенты нейронной сети из-
меняются до тех пор, пока не будет обеспечена наименьшая ошибка
обучения и обобщения (исследуемая как среднее абсолютное откло-
нение). Моделирование нейронной сети выполнено в пакете Neural
Network ToolBox.
Для каждой конфигурации проведены 10 перезапусков сети со
случайного начального состояния с усреднением ошибок по всем ре-
ализациям. Таким образом, проводится сравнение средних возмож-
ностей обучения нейросетей различных архитектур.
Входные и выходные переменные подвергаются предваритель-
ной обработке в форме простейшей нормализации на основании ис-
следования примеров обучающей выборки, что позволяет повысить
скорость и качество обучения.
Все сети обучены на основе алгоритма обратного распростране-
ния ошибки с изменением весовых коэффициентов по методу сопря-
женного градиента [4]. Результаты обучения приведены в табл. 1.
Таблица 1
Относительные ошибки обучения и тестирования
для двухслойной гомогенной нейронной сети (логистический нейрон)
с алгоритмом обучения по методу сопряженного градиента
n
Обучение
Тестирование
р
a
T
р
a
T
1
0,503 0,4148 0,3474 0,259 0,492 0,3937 0,3347 0,2465
3
0,312 0,2678 0,3249 0,408 0,301 0,2602 0,3130 0,3884
4
0,251 0,2718 0,2671 0,286 0,237 0,2629 0,2601 0,2815
5
0,231 0,2576 0,2358 0,291 0,222 0,2517 0,2232 0,2874
6
0,302 0,3479 0,4860 0,311 0,290 0,3330 0,4673 0,2983
Примечание. Здесь и далее во всех таблицах
р
— в Па;
— в кг/м
2
;
а
—
в м/c;
Т
— в К.
