мне нужен способ обучения нейронной сети, отличный от обратного распространения ошибки

Это постоянное предприятие, и некоторые детали намеренно запутаны.

У меня есть коробка с несколькими входами и одним выходом. Выходное напряжение изменяется при изменении входного напряжения. Желательность выходной последовательности не может быть оценена до тех пор, пока не пройдет много состояний и не будет оценен процесс ретроспективного анализа.

Я хочу разработать нейронную сеть, которая принимает несколько выходных данных из коробки в качестве входных данных и создает правильные входные параметры для коробки, чтобы получить оптимальный следующий вывод.

Я не могу обучить эту сеть, используя обратное распространение. Как обучить эту сеть?


neural-network backpropagation
person Bing Bang    schedule 08.01.2015    source источник

Ответы (2)


arrow_upward
0
arrow_downward

Генетический алгоритм был бы здесь хорошим кандидатом. Хромосома может кодировать веса нейронной сети. После оценки вы присваиваете значение приспособленности хромосомам на основе их характеристик. Хромосомы с более высоким значением пригодности имеют более высокие шансы на воспроизводство, помогая генерировать более эффективные хромосомы в следующем поколении.

Кодирование весов — относительно простое решение, более сложные могут даже определять топологию сети.

Здесь вы можете найти дополнительную полезную информацию:

http://en.wikipedia.org/wiki/Нейроэволюция

person zsoltc    schedule 08.01.2015
comment
Спасибо! Как раз то, что я искал. - person Bing Bang; 08.01.2015
comment
@BingBang Рад, что это было полезно. Если это действительно ответило на ваш вопрос, рассмотрите возможность пометить ответ как принятый. - person zsoltc; 09.01.2015

arrow_upward
0
arrow_downward

Hillclimbing — простейший алгоритм оптимизации. Просто случайным образом измените веса, посмотрите, станет ли лучше, если нет, сбросьте их и попробуйте еще раз. Это также обычно быстрее, чем генетические алгоритмы. Однако он склонен застревать в локальных оптимумах, поэтому попробуйте запустить его несколько раз и выбрать лучший результат.

person Houshalter    schedule 09.01.2015