Някои разсъждения (определено ще се повторя, но ще използвам че няма архив на темата) ...
От много години се работи по различни алгоритми за обучение на невронни мрежи
Всички те (Back Propagation, BP through Time ,Dynamic Decay Adjustment, Cascade-Correlation, Dynamic Learning Vector Quantization и още десетки) са свързани с нуждата от конкретно познаване на предметната област. С други думи за да обучавате невронна мрежа с тези алгоритми следва да познавате доста точно характеристиките на задачата за която обучавате мрежата, а често особено за ценните от инжинерна гл.точка проблеми токова познание липсва . Аз пак ще дам за пример мойта любима (ако имаше архив на темата щеше да си проличи ) тема за обучение на невр. мрежа, която да контролира ходенето на робот: В този случай е доста трудно да се направи анализ/определяне на най -добрия стил на ходене (проблема е еднакъв независимо от броя на краката на робота), а още по трудно е във всеки момент да можете да знаете точния желан изход за всеки изходен неврон на мрежата.
За радост от няколко години се работи по използването на генетични алгоритми за еволюиране на невронни мрежи. При тях това което е нужно за да обучаваме мрежата е само някаква контролна фунцкия, която да измерва колко добре се представя мрежата (например такава мярка може да е разстоянието което е изминал робота за единица време ) и не е нужно да правим анализ на изхода на всеки неврон по отделно. Това дава възможност за еволюиране на Някои разсъждения (определено ще се повторя но ще използвам че няма архив на темата) ...
От много години се работи по различни алгоритми за обучение на невронни мрежи
Ясно е обаче че всички те (Back Propagation, BP through Time ,Dynamic Decay Adjustment, Cascade-Correlation, Dynamic Learning Vector Quantization и още десетки) са свързани с нуждата от конкретно познаване на предметната област. С други думи за да обучавате невронна мрежа с тези алгоритми следва да познавате доста точно характеристиките на задачата за която обучавате мрежата, а често особено за ценните от инжинерна гл.точка проблеми това не е така.
Аз пак ще дам за пример мойта любима (ако имаше архив на темата щеше да си проличи ) тема за обучение на невр. мрежа, която да контролира ходенето на робот: В този случай е доста трудно да се направи анализ/определяне на най -добрия стил на ходене (проблема е еднакъв независимо от броя на краката на робота) а още по трудно е във всеки момент да можете да знаете точния желан изход за всеки изходен неврон на мрежата.
За радост от няколко годинисе работи по използването на генетични алгоритми за еволюиране на невронни мрежи. При тях това което е нужно за да обучаваме мрежата е само някаква контролна фунцкия която да измерва колко добре се представя мрежата (например такава мярка може да е колко голямо разстояние е изминал робота за единица време), като не е нужно да се прави анализ на активността на всеки изходен неврон.
Това дава теоретична възможност за еволюиране на мрежи с негораничен брой неврони и изключително сложни поведения...
Напаследък има доста модификации на класическите генетични алгоритми (NEAT,LEM и т.н.) както и алгоритми които излизат от идеята за сляпо търсене и реализират квантова оптимизация.
Няма да влизам в детайли за всеки от тях ...

Някой има ли някой информация за други алогритми/теории за обучение на невронни мрежи при които няма значение колко е сложна е архитектурата на мрежата и поведението за което се обучава или пък за модификации на класическите генетични алгоритми които да водят до ускорение на еволцията