Tavaliselt, optimaalsem struktuur mingi kriteeriumi mõttes leitakse eksperimentaalselt või empiiriliste ekspertteadmiste alusel. Nii liiga väike, kui ka liiga suur arv peidetud kihte ning neuroneid nendel kihtidel võib vähendada võrgu kvaliteedi. Valitud arhitektuurist oluliselt sõltub ka õpialgoritmi koonduvus (vt. peatükid 1.4, 2.2). 1.3.3 Iseorganiseeruvad närvivõrgud Iseorganiseeruvaks nimetatakse närvivõrku, mis on võimeline häälestada oma kaalukoefitsiente lähtudes ainult sisendvektori väärtustest. Neid närvivõrke nimetatakse ka iseõppivateks (vt. peatükk 1.4). Kõige lihtsam iseorganiseeruva süsteemi näide on Kohonen'i närvivõrk. 12 Kohonen'i närvivõrk koosneb sisendvektorist (N sisendit x1 K x n ) ja
Tavaliselt, optimaalsem struktuur mingi kriteeriumi mõttes leitakse eksperimentaalselt või empiiriliste ekspertteadmiste alusel. Nii liiga väike, kui ka liiga suur arv peidetud kihte ning neuroneid nendel kihtidel võib vähendada võrgu kvaliteedi. Valitud arhitektuurist oluliselt sõltub ka õpialgoritmi koonduvus (vt. peatükid 1.4, 2.2). 1.3.3 Iseorganiseeruvad närvivõrgud Iseorganiseeruvaks nimetatakse närvivõrku, mis on võimeline häälestada oma kaalukoefitsiente lähtudes ainult sisendvektori väärtustest. Neid närvivõrke nimetatakse ka iseõppivateks (vt. peatükk 1.4). Kõige lihtsam iseorganiseeruva süsteemi näide on Kohonen'i närvivõrk. 12 Kohonen'i närvivõrk koosneb sisendvektorist (N sisendit x1 K x n ) ja
ajahetke sisenditest kui ka eelmiste ajahetkede sisend ja väljundväärtustest. See annab võimalust modelleerida reaalset dünaamilist protsesse. Seepärast nimetatakse neid tihti ka dünaamilisteks närvivõrkudeks. Nende närvivõrkude struktuuride matemaatiline kirjeldus on väga keeruline ja eksisteerib ainult lihtsa struktuuriga tagasisidestatud võrkude kohta. Iseorganiseeruvaks nimetatakse närvivõrku, mis on võimeline häälestada oma kaalukoefitsiente lähtudes ainult sisendvektori väärtustest. Neid närvivõrke nimetatakse ka iseõppivateks. Kõige lihtsam iseorganiseeruva süsteemi näide on Kohonen'i närvivõrk. Kohonen'i närvivõrk koosneb sisendvektorist (N sisendit ) ja ühest neuronite kihist. Seda kihti nimetatakse ka Kohonen'i kihiks. Iga sisend on seotud iga neuroni ühe sisendiga. ("igaüks igaühega"). Iga sisend korrutatakse läbi vastava kaalukoefitsiendiga. Kohonen'i võrgu iseõppemise
Mudeli vea leidmine võrreldes närvivõrgu väljundeid objekti etalonväljunditega. Õpetamiseks nimetatakse meetodit, mis baseerub teadaolevatel sisend- ja väljundvektori väärtuste kogumil. Y p - NN(X)=Y p – Y -> 0, kus X on sisendväärtuste vektor, Yp on nendele sisendväärtustele vastavate etalonväljundväärtuste vektor ja Y on närvivõrgu väljundite vektor, mis vastab sisendile X nind NN on närvivõrgu funktsioon (Y=NN(X)). Iseõppiv närvivõrk on võimeline häälestada oma kaalukoefitsiente lähtudes ainult sisendvektori väärtustest.Iseõppiva võrgu korral fikseeritakse sihifunktsioon, mille ekstreemum tagatakse võrgu parameetrite muutmisega. Õigesti valitud sihifunktsiooni ekstreemumi saavutamine tagab ka võrgu väljundis õiged väljundvektori väärtused. Kasutatakse kaht erinevat treenimisviisi: pakett treenimine (batch-wise training) – kõik "treeninguks" vajalikud sisendandmed ja neile vastavad väljundvektori väärtuste jadad on esitatud ühe paketina
annaabi.ee 
