Jag håller på med ett projekt med neurala nätverk och jag vet att några här är duktiga på det, så...

Jag kan lära mitt nätverk att för indata {a} så skall jag få utdata {b} om det bara är ett mönster som jag vill känna igen. Men jag vill ju att nätverket skall känna igen flera mönster. Alltså {a1}->{b1} och {a2}->{b2} osv. Hur skall jag lägga upp det? Om jag tränar en i taget så kommer det bara ihåg det sista.

Fel forum att fråga i - lämpligare med systemutveckling generellt eller något i den stilen.

Nåväl, hur tränar du nätverken?
Kör du genetiska algoritmer eller något annat?

I princip är ju iden att du beskriver nätverkets "fitness" med hur väl det uppfyller dina villkor. Alltså bakar du in båda villkoren i din fitnessfunktion. Men det beror ju helt på hur du styr ditt nät.

Ok, jag visste inte att det fanns.

Jag förstår att detta blir så brett att det är svårt att svara.
Jag har ett feedforward backpropagation nätverk. Jag använder mean square på skillnaden (ut-förväntat ut) som en indikation på felet.

Det hela går till så här
<code>
do
{
1). Ändra vikterna så att försök ett ger lite bättre resultat
2). Kör med ändrade vikter för andra försöket och ändra vikterna så att försök tvåger lite bättre resultat
3). osv
}while(felet är stort);
</code>
Men så om jag har fler än ett försök så går felet ofta mot t.ex. 0.5 och inte 0. Vore det bättre att räkna ut viktändringarna för alla försöken först?

Jag har inte med några bios till mina neuroner. Varför ska man ha det och kan det vara anledningen?

<b>>Jag har inte med några bios till mina neuroner. Varför ska man ha det och kan det vara anledningen?</b>
Bias heter det. Det är ett offset. Om du i en neuron har två ingångar a och b, och vikterna x och y, så får du ju ut ax+by, inte sant. Ett offset är i princip ett z som man drar ifrån, dvs ax+by-z. Exakt varför man ska ha det ena eller andra är altid svårt att svara på, men ett högt bias gör ju i princip en neuron svårreagerad.


<b>>Jag använder mean square på skillnaden (ut-förväntat ut) som en indikation på felet.</b>
Hmm... jag skulle gjort något i stil med detta:
1. Gör försök A.
2. Ta fram RMS för skillnaden i resultat.
3. Gör försök B.
4. Ta fram RMS för skillnaden i resultat,
5. Lägg ihop dina skillnader.

Tack för att ni försökte hjälpa till. Felet var att jag inte hade samma tröskelfunktion som jag hade derivatafunktion vid backpropageringen.