Cascade-Correlations-Verfahren anhand des Xor-Problems
Cascade-Correlations-Verfahren anhand des Xor-Problems
Cascade-Correlations-Verfahren anhand des Xor-Problems
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
δ =−0.039328 −( − 1) = 0.960672<br />
δ<br />
15<br />
25<br />
35<br />
45<br />
= 0.042202 − 1 =−0.957798<br />
δ = 0.050883− 1 =−0.949117<br />
δ<br />
= 0.037674 −( − 1) = 1.037674<br />
Das <strong>Verfahren</strong> fährt jetzt mit der Fehlerminimierung zur Zeit t = 1 fort, indem es die,<br />
mittlerweile um eines vermehrten, Gewichte <strong>des</strong> Ausgabeneurons modifiziert.<br />
Im Laufe der Fehlerminimierung zur Zeit t = 1 ergeben sich folgende Werte:<br />
w a (0) ( 0.014772, 0.006055, -0.012307, -0.050000)<br />
E 1 (w a (0)) 0.4772323<br />
grad(E 1 (w a (0))) ( 0.003131, 0.000773, 0.023159, 0.431664)<br />
Δ(w a (0)) ( -0.002975, -0.000735, -0.022001, -0.410081)<br />
w a (1) ( 0.011797, 0.005320, -0.034308, -0.460081)<br />
E 1 (w a (1)) 0.3773563<br />
grad(E 1 (w a (1))) ( -0.009315, -0.011070, 0.156739, 0.064021)<br />
…<br />
w a (696) ( 3.303277, 3.302020, -5.047390, -3.546423)<br />
E 1 (w a (696)) 0.0024969<br />
Das Netz aus Abb. 6 hat am Ende der Fehlerminimierung folgen<strong>des</strong> Aussehen:<br />
Abb. 7 Das zur Lösung <strong>des</strong> Beispielproblems entwickelte Netz nach Abschluss der Fehlerminimierung<br />
zur Zeit t = 1.<br />
14