V druhém případě jsme použili třífázové učení. Protože vstupní vzory jsou rozmístěny rovnoměrně, použijeme rovnoměrné rozmístění RBF jednotek.
Experiment jsme provedli několikrát s různými parametry jednotek a různými způsoby jejich nastavení.
K nastavení vah jsme použili SVD rozklad, který je nejsilnější z metod nejmenších čtverců. RQ rozklad a Moore-Penroseova pseudoinverze dávají méně přesné řešení a v některých případech selžou.
Výsledky provedených experimentů jsou uspořádány do
tabulky 7.3. Uvádíme vždy s jakými parametry jednotek byl
experiment prováděn a jakou metodou byly tyto parametry nastaveny. U použití
průměru vzdáleností nejbližších sousedů uvádíme koeficient úměrnosti
,
u gradientní metody počet iterací a parametr
(viz kapitola 4.12).
Dále následuje výsledná chyba sítě a celkový čas výpočtu zaokrouhlený na celé
sekundy.
Průměrný čas 100 iterací gradientní metody je pro sítě, kde adaptujeme jen šířky, 1.06 s, pro sítě s adaptovatelnými šířkami a diagonálními maticemi norem 2.41 s a pro sítě s adaptovatelnými šířkami a obecnými maticemi norem 5.12 s.
Průměrný čas druhé fáze při použití heuristiky sousedů je 0.004
s. Třetí fáze trvá v průměru 3.35 s.
V tomto případě se ukázalo použití parametru šířky a heuristiky
sousedů jako rychlejší a postačující. Minimalizací chybové funkce v druhé fázi
a přidáním vážené normy jsme žádné podstatně lepší výsledky nezískali.
Funkce naučené sítě je na obrázku 7.4 a průběh její chybové funkce je znázorněn na obrázku 7.5.