Có hai kiểu học:
Học thông số (Parameter Learning): dùng để cập nhật các trọng số liên kết giữa các tế bào neuronvà ngưỡng phân cực trong mạng.
x1
x2
y
91
Học cấu trúc (Structure Learning): dùng để thay đổi cấu trúc mạng bao gồm cả
tế bào neuronvà cách liên kết giữa chúng.
Ta có thể sử dụng riêng rẽ hay đồng thời cả hai kiểu học trên. Tuy nhiên, ởđây ta chỉđề cập đến kiểu học thông số. Có 3 luật học thông số:
• Luật học có giám sát:
Cho tập các dữ liệu vào – ra: {x1, d1} , {x2, d2} , … ,{xQ, dQ}
Hình 4.3 Mô hình luật học có giám sát
Ban đầu các trọng số của mạng được chọn bất kỳ. Khi có ngõ vào mạng xq, ngõ ra của mạng yq được so sánh với ngõ ra mục tiêu dq. Luật học dựa vào sai số eq = dq – yq hiệu chỉnh trọng số và ngưỡng phân cực của mạng để đưa ngõ ra về gần với mục tiêu.
• Luật học củng cố: không như học có giám sát được cung cấp mục tiêu trước (mỗi tín hiệu ngõ vào sẽ có một tín hiệu ra tương ứng), luật học củng cố chỉđược cung cấp theo mức (Ví dụ: “đúng” hoặc “sai”). Bởi vì trong thực tế không phải lúc nào ta cũng có đầy đủ thông tin về đối tượng. Vì vậy, kiểu học củng cố sẽ thích hợp nhất cho những ứng dụng điều khiển hệ thống.
92
Hình 4.4 Mô hình luật học củng cố
• Luật học không có giám sát: trọng số và ngưỡng phân cực chỉđược hiệu chỉnh
đối với ngõ vào. Không có mục tiêu ngõ ra được đặt trước.
Hình 4.5 Mô hình luật học không giám sát
Hầu hết những thuật toán này sẽ tự phát hiện các đặc điểm, các mối tương quan giữa các mẫu dữ liệu vào và mã hóa thành dữ liệu ra. Điều này rất hữu ích trong những ứng dụng như lượng tử hoá vector.