Нечеткие множества: основы теории и приложения к моделированию решений

168 3) рассчитывают значение функции ошибки 1 1 p K m ij i j i j E u c x = = = − ∑∑ 2 ij i j u c x − . Если ее значение окажется ниже установленного порога либо уменьшение этой ошибки относительно предыдущей итера - ции пренебрежимо мало , вычисления завершаются или переходят к шагу 4); 4) рассчитывают новые значения 2 2 1 1 1 1 ij kj ij K m k u d d − = =       ∑ и перехо - дят к шагу 2). Многократное повторение описанной процедуры ведет к дос - тижению минимума функции ошибки Е , который необязательно будет глобальным . Качество находимых центров , оцениваемое значением функции ошибки E , существенным образом зависит от предварительного подбора как значений u ij , так и центров c i . Наи - лучшим может быть признано такое размещение центров , при ко - тором они располагаются в областях , содержащих наибольшее ко - личество предъявленных векторов x j . При таком подборе центров они будут представлять векторы данных x j с наименьшей суммар - ной ошибкой . Поэтому начало итерационной процедуры расчета оптималь - ных значений центров должно предваряться процедурой их ини - циализации . К наиболее известным алгоритмам инициализации относятся алгоритмы пикового группирования и разностного груп - пирования данных . 9.5. Использование нечетких нейронных сетей для формирования нечетких баз знаний Особенностью всех ННС является их гибридный характер . Подобно классическим нейронным сетям они требуют обучения .