Термін навчання штучних нейронних мереж суттєво залежить від багатьох факторів, а саме таких як кількість нейронів та шарів, алгоритм навчання та його параметри. Оскільки алгоритм навчання і кількість шарів залежать від специфікації задачі, вони не розглядаються у цій статті. При вирішення задач з нескінченним числом навчальних вибірок, завжди потрібно обирати ШНМ з найбільш можливою кількістю нейронів у шарах. Запропонований новий метод значно прискорює процес навчання штучної нейронної мережі за допомогою модифікації до класичного алгоритму зворотного поширення помилки саме для описаних задач. Алгоритм був протестований на певній математичній задачі та було показано, що він дає кращі результати в порівнянні зі звичайним алгоритм зворотного поширенняпомилки.
Training time of Artificial neural network greatly depends on many factors such as neurons’ quantity, layers’ quantity, training algorithm and its parameters. Since training algorithm and layers’ quantity depend on solving task specifications,they are out of scope in this article. In tasks with infinite number of training samples, we should have a biggest number of neurons in layers as possible always. In this case, we offer a new method, which greatly accelerates a process of artificial ne&ural network training by back-propagation algorithm modification. We tested our algorithm on mathematical task model and found that it gives better results in comparison with common back-propagation algorithm.
