Факторизованные алгоритмы обучения персептрона в задаче построения нелинейной модели

Abstract

С целью улучшения вычислительных свойств процедур обучения искусственных нейронных сетей (ИНС), которые, являясь универсальными аппроксиматорами, позволяют восстановить с заданной точностью любую сколь угодно сложную непрерывную нелинейную функцию, разработаны их факторизованные формы, основанные на преобразованиях Холесского, Хаусхолдера и ортогонализации Грамма-Шмидта. Проведенный анализ их свойств показал, что наиболее эффективным способом повышения устойчивости алгоритма обучения является применение преобразования Хаусхолдера.