26 Näide (närvivõrgu õpetamine) Olgu on olemas kaks funktsiooni sisendit x1 = 0.2 ja x2 = 0.3 ning on teada, et nende sisendite puhul funktsiooni väärtus y d = 0.4 . Leiame niisugused närvivõrgu parameetrid, et etteantud sisendite puhul tema väljund kuivõrd võimalik vähem erineks etteantud väljundist y d . Selle probleemi lahendamiseks piisab kahekihilist pertseptroni kahe neurotitega peidetud kihil. Lihtsuse mõttes olgu kõik neuronite nihked on nullid ning kõik aktiveerimisfunktsioonid on lineaarsed, st iga neuroni väljund on võrdne tema sisendite kaalutud summaga: OUT = NET . Seega, närvivõrgu arhitektuur on järgmine: Kaalukoefitsientide algväärtused valime juhuslikult vahemikust [- 1;+1]. Olgu
26 Näide (närvivõrgu õpetamine) Olgu on olemas kaks funktsiooni sisendit x1 = 0.2 ja x2 = 0.3 ning on teada, et nende sisendite puhul funktsiooni väärtus y d = 0.4 . Leiame niisugused närvivõrgu parameetrid, et etteantud sisendite puhul tema väljund kuivõrd võimalik vähem erineks etteantud väljundist y d . Selle probleemi lahendamiseks piisab kahekihilist pertseptroni kahe neurotitega peidetud kihil. Lihtsuse mõttes olgu kõik neuronite nihked on nullid ning kõik aktiveerimisfunktsioonid on lineaarsed, st iga neuroni väljund on võrdne tema sisendite kaalutud summaga: OUT = NET . Seega, närvivõrgu arhitektuur on järgmine: Kaalukoefitsientide algväärtused valime juhuslikult vahemikust [- 1;+1]. Olgu
annaabi.ee 
