شبکه عصبی برگشتی (Counterpropagation Network)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی برگشتی (Counterpropagation Network) :
شبکه عصبی برگشتی (Counterpropagation Network) توسط رابرت هکت-نیلسن در سال ۱۹۸۷ معرفی شد. این شبکه ترکیبی از دو معماری است: شبکه خودسازمان ده کوهونن (Kohonen) و لایه خروجی استار-گروسبرگ (outstar). هدف یادگیری نگاشت از ورودی به خروجی به صورت سریع و با کارایی بالا است. این شبکه معمولا در مسائل طبقه بندی و تقریب توابع به کار می رود.
ساختار: یک لایه ورودی، یک لایه پنهان رقابتی (شبیه SOM)، و یک لایه خروجی خطی. ابتدا لایه پنهان با یادگیری بدون نظارت (رقابتی) روی ورودی ها آموزش می بیند تا مراکز خوشه ها را بیاموزد. سپس لایه خروجی (outstar) با یادگیری نظارت شده، وزن های بین لایه پنهان و خروجی را طوری تنظیم می کند که خروجی مطلوب تولید شود. در مرحله بهره برداری، ورودی به نزدیک ترین نرون پنهان (برنده) نگاشت می شود و خروجی متناظر با آن نرون از لایه خروجی خوانده می شود.
فرمول مرحله رقابتی: نرون برنده
\[ j^* \]با کمترین فاصله از ورودی:
\[ \|x - w_j\| \]مینیمم. سپس وزن های نرون برنده و همسایگانش به روز می شوند. در لایه outstar، خروجی
\[ y = \sum_j z_j v_j \]که
\[ z_j \]نشان دهنده فعال بودن نرون پنهان
\[ j \](معمولا ۱ برای برنده، ۰ برای بقیه) و
\[ v_j \]وزن های خروجی است.
مزایا: آموزش سریع (یک مرحله ای برای لایه خروجی)، سادگی. معایب: دقت کمتر نسبت به شبکه های عمیق، حساسیت به انتخاب تعداد نرون های پنهان. کاربردها: طبقه بندی الگو، فشرده سازی داده، کنترل رباتیک در گذشته.
این شبکه امروزه عمدتا جنبه تاریخی دارد.
