На рис. 6.7 показана сеть встречного распространения целиком. В режиме нормального функционирования предъявляются входные векторы
и
, и обученная сеть дает на выходе векторы
и
, являющиеся аппроксимациями соответственно для
и
. Векторы
и
предполагаются здесь нормализованными единичными векторами, следовательно, порождаемые на выходе векторы также будут иметь тенденцию быть нормализованными.
Рис. 6.7.
В процессе обучения векторы
и
подаются одновременно и как входные векторы сети, и как желаемые выходные сигналы. Вектор
используется для обучения выходов
, а вектор
— для обучения выходов
слоя Гроссберга. Сеть встречного распространения целиком обучается с использованием того же самого метода, который описывался для сети прямого действия. Нейроны Кохонена принимают входные сигналы как от векторов
, так и от векторов
. Но эта ситуация неотличима от той, когда имеется один большой вектор, составленный из векторов
и
, и тем самым не влияет на алгоритм обучения.
В качестве результирующего получается единичное отображение, при котором предъявление пары входных векторов порождает их копии на выходе. Этот вывод не представляется особенно интересным, если не заметить, что предъявление только вектора
(с вектором
, равным нулю) порождает как выходы
, так и выходы
. Если
— функция, отображающая
в
, то сеть аппроксимирует ее. Также, если
обратима, то предъявление только вектора
(приравнивая
нулю) порождает
. Уникальная способность сети встречного распространения — порождать функцию и обратную к ней — делает эту сеть полезной в ряде приложений.
Рис. 6.7, в отличие от первоначальной конфигурации, не демонстрирует противоток в сети, по которому она получила свое название. Такая форма выбрана потому, что она также иллюстрирует сеть без обратных связей и позволяет обобщить понятия, развитые в предыдущих лекциях.
