Evaluation of Optimization Methods for Neural Network

Perspective Neural Network Algorithms for Dynamic Biometric Pattern Recognition in the Space of Interdependent Features

“…Со-гласно теореме Чебышева нужно повышать размерность функционалов, однако на практике оказывается более выгодным повышать количество уникальных нейронов, чем конструировать малое число нейронов на базе высоко размерных функционалов. Независимые признаки должны обрабатываться нейронами, не использующими преобразование (12). Исследования показывают, что при обработке условно независимых признаков (|r|<0.3) число входов нейрона q требуется задавать исходя из информативности обрабатываемых им признаков.…”

“…При обработке зависимых признаков (r|>0.3) нейронами на базе функционалов (6)-(11) нужно применять преобразование (12). Группировать зависимые признаки по информативности не требуется.…”

“…Для каждого испытуемого определялся свой набор зависимых признаков на этапе обучения. Результаты тестирования функционалов (6)-(11) с учетом преобразования (12), а также ИНС на их основе приведены на рис. 9 и 10.…”

“…Такой прием дает возможность избавить от корреляционной зависимости между элементами вектора a j и одновременно перейти в пространство более инфор-мативных признаков. Все входные эмпирические распределения и эталонное распределение «Чужой» целесообразно нормировать по формуле(12):…”