Järgnevas vaatleme lühidalt kõige levinumaid õpialgoritme. Enamuses otsesuunatud ja tagasisidestatud närvivõrkude rakendustes kasutatakse nn. vea pöördlevi meetodid, kus igal sammul võrgu väljund võrreldakse sisendvektorile vastava etalonväljundiga ja selle vea alusel muudetakse parameetrid väljundist sisendini. Kõige levinum nendest meetoditest on "Gradient vea pöördlevi meetod". 1.4.1 Gradient vea pöördlevi meetod (Gradient descent error backpropagation method, ) See meetod põhineb veafunktsiooni (ehk kaofunktsiooni) gradienti arvutamisel. Võrgu õpetamise ülesannet võib vaadelda kui mitmemõõtelist optimeerimisülesannet. Defineerime veafunktsiooni: J (W , ) = (Y p - Y pd ) 2 , (1.14) k kus Yp - närvivõrgu väljundvektor ( Y p = NN ( X p , W , ) ); X p treeninguks kasutatavad sisendvektori väärtused;
Järgnevas vaatleme lühidalt kõige levinumaid õpialgoritme. Enamuses otsesuunatud ja tagasisidestatud närvivõrkude rakendustes kasutatakse nn. vea pöördlevi meetodid, kus igal sammul võrgu väljund võrreldakse sisendvektorile vastava etalonväljundiga ja selle vea alusel muudetakse parameetrid väljundist sisendini. Kõige levinum nendest meetoditest on "Gradient vea pöördlevi meetod". 1.4.1 Gradient vea pöördlevi meetod (Gradient descent error backpropagation method, ) See meetod põhineb veafunktsiooni (ehk kaofunktsiooni) gradienti arvutamisel. Võrgu õpetamise ülesannet võib vaadelda kui mitmemõõtelist optimeerimisülesannet. Defineerime veafunktsiooni: J (W , ) = (Y p - Y pd ) 2 , (1.14) k kus Yp - närvivõrgu väljundvektor ( Y p = NN ( X p , W , ) ); X p treeninguks kasutatavad sisendvektori väärtused;
annaabi.ee 
