Uute parameetrite (kaalukoefitsientide ja nihete) arvutus valitud õpetamisalgoritmi alusel 10.5 Stone-Weierstrassi teoreem väidab ainult seda, et teoreetiliselt eksisteerivad niisugused ideaalsed võrgu parameetrid, et ta aproksimeerib antud funktsiooni mis tahes etteantud täpsusega. Kuna tänapäeval matemaatikas ei ole täpset meetodit mittelineaarse funktsiooni globaalse miinimumi leidmiseks ja kõikide optimeerimismeetodite abil saab leida ainult minimiseeruva funktsiooni lokaalsed miinimumid tegelik närvivõrgu täpsus sõltub väga erinevatest parameetritest: kihtide arvust, neuronite arvust igal peidetud kihil, kasutatavatest neuronite aktiveerimisfunktsioonidest, õpetamisalgoritmist, juhuslikust kaalukoefitsientide algväärtuste valikust jne. Kõik need parameetrid tavaliselt* valitakse igal konkreetsel juhul empiiriliste teadmiste alusel. Ühe soovituse otsesuunatud kahekihilise närvivõrgu peidetud kihi neuronite valiku kohta annab 10
Tänu sellele nad on rakendatavad paljude probleemide lahendamiseks (modelleerimiseks, juhtimiseks, ennustamiseks jne). Stone-Weierstrassi teoreem- teoreem väidab ainult seda, et teoreetiliselt eksisteerivad niisugused ideaalsed võrgu parameetrid, et ta aproksimeerib antud funktsiooni mis tahes etteantud täpsusega. Kuna tänapäeval matemaatikas ei ole täpset meetodit mittelineaarse funktsiooni globaalse miinimumi leidmiseks ja kõikide optimeerimismeetodite abil saab leida ainult minimiseeruva funktsiooni lokaalsed miinimumid tegelik närvivõrgu täpsus sõltub väga erinevatest parameetritest: kihtide arvust, neuronite arvust igal peidetud kihil, kasutatavatest neuronite aktiveerimisfunktsioonidest, õpetamisalgoritmist, juhuslikust kaalukoefitsientide algväärtuste valikust jne. Kõik need parameetrid tavaliselt* valitakse igal konkreetsel juhul empiiriliste teadmiste alusel. Ühe soovituse otsesuunatud kahekihilise närvivõrgu peidetud kihi neuronite valiku kohta annab
Analoogiliselt see väide tõestatakse ka teiste peidetud kihi aktiveerimisfunktsioonide jaoks. Näiteks, Gaussi funktsiooni jaoks. Stone-Weierstrassi teoreem väidab ainult seda, et teoreetiliselt eksisteerivad niisugused ideaalsed võrgu parameetrid, et ta aproksimeerib antud funktsiooni mis tahes etteantud täpsusega. Kuna tänapäeval matemaatikas ei ole täpset meetodit mittelineaarse funktsiooni globaalse miinimumi leidmiseks ja kõikide optimeerimismeetodite abil saab leida ainult minimiseeruva funktsiooni lokaalsed miinimumid (vt. peatükk 3), tegelik närvivõrgu täpsus sõltub väga erinevatest parameetritest: kihtide arvust, neuronite arvust igal peidetud kihil, kasutatavatest neuronite aktiveerimisfunktsioonidest, õpetamisalgoritmist, juhuslikust 22 kaalukoefitsientide algväärtuste valikust jne. Kõik need parameetrid tavaliselt* valitakse igal
Tehisnärvivõrkude teoreetilised alused –Stone-Weierstrassi teoreem, Kolmogorovi teoreem: Stone-Weierstrassi teoreem väidab, et teoreetiliselt eksisteerivad niisugused ideaalsed võrgu parameetrid, et ta aproksimeerib antud funktsiooni mis tahes etteantud täpsusega. Kuna tänapäeval matemaatikas ei ole täpset meetodit mittelineaarse funktsiooni globaalse miinimumi leidmiseks ja kõikide optimeerimismeetodite abil saab leida ainult minimiseeruva funktsiooni lokaalsed miinimumid. Tegelik närvivõrgu täpsus sõltub väga erinevatest parameetritest: kihtide arvust, neuronite arvust igal peidetud kihil, kasutatavatest neuronite aktiveerimisfunktsioonidest, õpetamisalgoritmist, juhuslikust kaalukoefitsientide algväärtuste valikust jne. Kõik need parameetrid valitakse igal konkreetsel juhul empiiriliste teadmiste alusel. Kolmogorovi teoreem: Iga kuubis E astmel n pidev funktsioon avaldub järgmisel kujul: f(x1,..
Analoogiliselt see väide tõestatakse ka teiste peidetud kihi aktiveerimisfunktsioonide jaoks. Näiteks, Gaussi funktsiooni jaoks. Stone-Weierstrassi teoreem väidab ainult seda, et teoreetiliselt eksisteerivad niisugused ideaalsed võrgu parameetrid, et ta aproksimeerib antud funktsiooni mis tahes etteantud täpsusega. Kuna tänapäeval matemaatikas ei ole täpset meetodit mittelineaarse funktsiooni globaalse miinimumi leidmiseks ja kõikide optimeerimismeetodite abil saab leida ainult minimiseeruva funktsiooni lokaalsed miinimumid (vt. peatükk 3), tegelik närvivõrgu täpsus sõltub väga erinevatest parameetritest: kihtide arvust, neuronite arvust igal peidetud kihil, kasutatavatest neuronite aktiveerimisfunktsioonidest, õpetamisalgoritmist, juhuslikust 22 kaalukoefitsientide algväärtuste valikust jne. Kõik need parameetrid tavaliselt* valitakse igal
annaabi.ee 
