Нечеткие множества: основы теории и приложения к моделированию решений

163 3) на вход ННС последовательно подаются обучающие обра - зы и для каждого входного образа : – производится фаза прямого распространения входных сиг - налов по ННС ( при этом в соответствии с заложенным в нее алго - ритмом нечеткого логического вывода для всех i - х входных обра - зов вычисляется выходная активность ННС y i , где 1, i n = , n – объ - ем обучающей выборки ), – вычисляется среднеквадратичная ошибка выхода ННС для i - го входного образа 2 1 ( ) 2 i i E y = ∆ , где i i i y y t ∆ = − – абсолютная ошибка выхода ; t i – требуемое значение выхода , – для минимизации среднеквадратичной ошибки E i модифи - цируются параметры соответствующих ФП сети в соответствии с требованиями метода градиентного спуска : ( 1) ( ) ( ) i k k k E p t p t p t ∂ + = − α ∂ , где p k – некоторый параметр соответствующей ФП ( в случае ис - пользования ФП Гаусса такими параметрами являются ее центр c k и крутизна σ k ); 4) вычисляется среднее значение ошибки выхода ННС для всех входных образов согласно следующему выражению : cp 1 1 n i i E E n = = ∑ ; 5) если cp m E E > , то происходит переход к шагу 3 алгоритма , иначе процесс обучения ННС заканчивается . Таким образом , использование алгоритма обратного распро - странения ошибки для обучения ННС позволяет производить на - стройку соответствующих параметров ФП нейронов , производя параметрическую адаптацию нейронечеткой модели к предъявляе - мым данным из обучающей выборки .