Молодежь и наука - третье тысячелетие: Материалы студенческой научно-практической конференции

382 Обратное распространение ошибок Выходные ошибки являются элементами финальной матрицы и получают- ся путём вычитания полученных значений из тренировочных данных нейрон- ной сети. Тренировочные данные – заведомо известные нам истинные выраже- ния, которые используются для тренировки нейронной сети. Ошибка нейронов конечного слоя формируется исключительно с помощью вычитания получен- ных значений из тренировочных. Ошибка на узлах скрытого слоя формируется за счёт двух сигналов выходного слоя. Например, расчёт ошибки E для первого нейрона скрытого слоя будет выглядеть так: (3) где – ошибка на первом узле выходного слоя; – ошибка на втором узле выходного слоя; w – весовой коэффициент. К сожалению, способа снизить трудоёмкость расчётов пока не найдено. Можно попробовать представить нашу матрицу в виде комбинации имеющихся матриц. Наиболее важным в расчётах является перемножение e на w . Чем больше вес, тем больше ошибка на нём, если пренебречь знаменателем, кото- рый играет роль нормирующего множителя, то мы только потеряем масштаби- руемость ошибки, при многократной итерации сети значения исправится, по- этому можно не учитывать знаменатель. Фактическое обновление весовых коэффициентов В процессе исследования выявлено, что существует зависимость ошибки E при изменении веса w . Раньше было упомянуто, что сигмоида имеет превос- ходство перед другими подобными функциями. При применении дифференци- ального исчисления к сигмоиде она принимает компактный и относительно, простой вид. Заключение В заключение хотелось бы добавить, что области применения нейронных сетей с каждым днём расширяются и их изучение станет крайне востребован- ным аспектом в ближайшем будущем. Нейронные сети в медицине в настоящее время являются перспективной и активно развивающейся инновацией.