Thông qua sự sai khác giữa đầu ra của mạng thần kinh nhân tạo và dữ liệu đo được mà mạng sẽ quyết định luyện tập tiếp hay dừng, chính vì vậy hàm đo đếm sai số ε rất quan trong, nó phải đảm bảo vừa đại diện được cho sai số của mô hình, vừa có biểu thức tính đạo hàm riêng (ít nhất cấp một) đơn giản để giảm số phép tính cần thực hiện cho máy tính. Trong bài báo này sử dụng hàm (W. Schiffman, 1994)
Mạng thần kinh nhân tạo trong quá trình luyện tập từng bước một sẽ cực tiểu hóa hàm mục tiêu ε sử dụng phương pháp gradient tiêu chuẩn, Rprop (Schiffman,W, 1994) với hệ số học toàn cục α (Wilde) (Schiffman,W, 1994) để cập nhật trọng số sau mỗi bước theo biểu thức (17):
|
(17)
|
Chia sẻ với bạn bè của bạn: |
