V nasledujúcich kapitolách je poskytnutý prehľad základnych metód učenia
pre rekurentné NN. Pod rekurentnými NN (ďalej RC NN)
rozumieme NN, ktoré majú synapsie orientované rôznymi smermi. V takejto
štruktúre, môže byť neurón súčasne vstupný a výstupný. V terminológii NN v takom prípade
hovoríme o duálnom
neuróne. V [15] je
poskytnutý základný koncepčný pohľad o používaní RC NN. Otázka
" kedy použiť RC NN ?" je dosť zložitá. Vo všeobecnosti sa
dodržiava pravidlo, že k RC NN siahneme až potom, ak :
je zrejmé, že sme neuspeli s FF NN
alebo
činnosť FF NN je neefektívna.
Vo všeobecnosti môžeme konštatovať , že RC NN
predstavujú dynamicky zložitejší systém ako FF NN.
Problémy neurodynamiky sú veľmi aktuálne z hľadiska GS a
konvergencie RC NN. Tak isto ako pri FF NN rozdeľujeme metódy
učenia aplikované na RC NN topológie do dvoch základných skupín:
kontrolované učenie na RC NN ( príkladom môže byť Hopfiedova sieť ako simulácie
pamäte, BP pre RC NN, BP pre Elmanove RC NN)
nekontrolované učenie na RC
NN ( v tejto oblasti sú
dominantné hlavne metódy učenia ART, ktoré sú veľmi dôležité v
rôznych aplikáciach.
V rámci RC NN ešte existuje jedna podskupina čiastočne rekurentých sietí
(ďalej partialy RC NN).
U čiastočne rekurentných sietí sa predpokladá existencia skupín neurónov, ktoré nesplňajú vlastnosť rekurencie.
Špeciálne topológie RC NN navrhli Elman a Jordan. Sú určené väčšinou
na spracovanie sekvenčných vzoriek ako celku.
