Нечеткие множества: основы теории и приложения к моделированию решений

162 систему нечетких продукций , с помощью некоторого алгоритма производят ее обучение на экспериментальных данных и оптими - зируют параметры ФП с целью минимизации среднеквадратичной ошибки выхода сети . В результате формируется система нечетких продукций с известными ФП , которая с заданной точностью ап - проксимирует анализируемые данные . Следует отметить , что если для решения задачи идентифика - ции параметров ННС существуют эффективные и доказательные подходы , то решение ряда задач на этапе идентификации структу - ры ННС является более сложным и неоднозначным , требующим использования эвристических подходов . В общем случае архитек - тура любой ННС определяется алгоритмом работы той системы нечеткого логического вывода , аналогом которой является ННС . 9.4. Традиционные алгоритмы обучения нечетких нейронных сетей 9.4.1. Алгоритм обратного распространения ошибки Для обучения ННС часто используется алгоритм обратного распространения ошибки . Пусть имеется ННС с одним выходным нейроном , ФП которой моделируются параметрической функцией формы , например функцией Гаусса с параметрами c ( центр ) и σ ( крутизна ). Для адаптации сети к данным из обучающей выборки требуется изменение соответствующих параметров ее ФП , на - стройка которых осуществляется в рамках указанного алгоритма . В данном случае обучение ННС состоит из следующих шагов : 1) задается начальное значение шага обучения α (0 < α < 1) и желаемая среднеквадратичная ошибка выхода нейронной сети E m ; 2) производится инициализация соответствующих парамет - ров ФП нейронов по некоторому правилу ;