Алгоритм обучения нечеткой нейронной сети кохонена

Алгоритм представляет собой усовершенствованный алгоритм обратного распространения ошибки и имеет следующие шаги.

• 1. Задать равновероятные начальные значения весов Wi, i=1, 2, …, N (N-число нейронов).
• 2. Задать погрешность еstandard.
• 3. Задать начальный экспоненциальный вес mc при условии mc>1.
• 4. Задать начальный экспоненциальный вес md при условии md>1.
• 5. Счетчик итераций c = 0.
• 6. Начало цикла.
• 6.1. Вычислить функцию принадлежности i-го нейрона

.

6.2. Обновить k-весовых векторов для i-го нейрона.

.

• 6.3. Вычислить е = dist (W_i*, W_i).
• 6.4. W_i=W_i*.
• 6.5. c = c + 1.
• 6.6. m_c = m_c-1 — exp (-1/c)(m_c-1 — 1).
• 6.7. m_d = m_d-1 — exp (-1/c)(m_d-1 — 1).
• 6.8. Пока е>е_standard, выполнять цикл.
• 7. Останов.

ПРИНЦИП ОЦЕНКИ ОБУЧАЕМОГО ИНЖЕНЕРА НА БАЗЕ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ КОХОНЕНА

Разработаны пять ННС Кохонена, отвечающие за нечеткую оценку проектных характеристик обучаемого инженера (знание, умение, навык, опыт и компетентность). На их основе в процессе обучения проектные характеристики обучаемого инженера меняются событийно в местах контроля сценария K_i. Рассмотрим принцип работы сети для оценки знаний, остальные четыре сети работают аналогично только весовые значения синопсов другие.

На вход сети подаются следующие величины: время; затраченное на выполнение проектного задания; полученный балл за выполненное задание; сложность задания; число повторов изучения учебного элемента; объем пройденного материала, который измеряется числом пройденных учебных элементов и число правильно выполненных контрольных проектных заданий. Эти данные получены с помощью протоколирования процесса обучения (сохранения «истории» обучения), структурного и параметрического анализов проектных решений. На их основе сеть формирует пары выходных данных, из которых выбирается одна, имеющая минимальную активность и максимальное значение функции принадлежности.

Применяя сеть для нечеткой оценки умений, навыков, компетентности и опыта, получим пять пар оценок: з, м_з>, у, м_у>, н, м_н>, к, м_к>, о, м_о>, где aактивность нейрона; м — принадлежность к классу. Из этих пар выбирается одна пара с минимальным значением принадлежности для того, чтобы по ней определить дальнейшую траекторию обучения.

В случае неудовлетворительных оценочных результатов в K_i учебном элементе автоматически генерируется дополнительная траектория сценария обучения на основе разработанных математических моделей [1−5], обеспечивающая повышение эффективности обучения.