Главная > Интеллектуальные системы > Адаптация сложных систем
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

4.1.3. Стохастическое накопление

Воспользуемся для вычисления градиента его стохастической оценкой (3.3.28), рассмотренной в § 3.3. Эту оценку можно определить как оценку с центральной пробой:

Естественно рассмотреть и стохастическую оценку градиента с парными пробами:

Здесь реализация единичного случайного вектора, равномерно распределенного по всем направлениям пространства адаптируемых параметров

Рассмотрим оценку (4.1.24). Пусть параметр пробного шага мал, а функция качества достаточно гладка, чтобы линейное

представление (4.1.11) было адекватным. Тогда, подставляя (4.1.11) в (4.1.24), получаем с учетом (4.1.1):

Используем стохастические свойства этой оценки. Начнем со свойств суммы

которая образует оценку (4.1.25):

Рассмотрим проекцию на градиентное направление:

где — направление градиента:

а — его модуль:

Введем — угол между векторами и Тогда (4.1.28) записывается в виде

Известно [161], что распределение случайного угла имеет вид

где — гамма-функция.

Определим основные статистические характеристики проекции Математическое ожидание:

где

откуда окончательно получаем

Дисперсия

В процессах адаптации реальных объектов важно, чтобы вероятность неудачного шага была меньше заданной, т. е.

где — заданная вероятность неудачного шага. Легко заметить, что вероятность (4.1.38)

При достаточно большом (как обычно и

бывает при адаптации) сумма распределена нормально, что позволяет легко определить вероятность

где Ф — интеграл Лапласа [42].

Как видно, располагая информацией о значениях , легко с помощью накопления объемом реализовать выполнение условия (4.1.38).

Дискретный вариант адаптации, когда каждый адаптируемый параметр варьируется на двух уровнях, рассмотрен в работе [182], а релаксация — в [267].

<< Предыдущий параграф Следующий параграф >>
Оглавление