Editar
Originalmente esta respuesta discutido alternativo de aprendizaje de los algoritmos y de las topologías de Redes Neuronales. Después de la edición, la respuesta se divide en tres partes:
- Usos y problemas con Backpropogation;
- Alternativa de Red Neuronal de Planes de Formación; y
- Los suplentes a las Redes Neuronales (recientemente añadido).
Parte 1
Backpropogation algoritmos pueden ayudar a resolver problemas en los que hay un discriminante que puede ayudar a separar las aportaciones positivas de las negativas de los insumos, a menudo en las redes que no tienen conexiones de bucle entre las neuronas en su topología (de avance de las redes neuronales como se describe en la pregunta).
Backpropogation es normalmente lento y no se garantiza la convergencia y pueden converger a un máximo local (es decir, que convergen a un punto en que se obtienen resultados que son mejores que los resultados que se pueden obtener por cambiar los pesos ligeramente).
Parte 2
Alternativas de redes neuronales algoritmos de entrenamiento incluyen el uso de un Algoritmo Genético para evolucionar los pesos y el recocido simulado. Estos pueden eliminar los problemas relacionados con la lenta convergencia y problemas con las conexiones de ese bucle entre las neuronas.
El aprendizaje de hebb, como se utiliza en redes neuronales recurrentes, normalmente las redes de Hopfield, es otra alternativa. El aprendizaje de hebb es robusto y Hopfield demostrado que el aprendizaje de Hebb se reunirán para redes de Hopfield.
Usted también podría considerar la posibilidad de comparar su red neuronal modular de la red neuronal, tales como, por ejemplo, un Comité de Máquinas compone de varias redes neuronales, cada uno con sus propios algoritmos de entrenamiento o Asociativa de la Red Neuronal.
Tal modular de las redes neuronales se requieren más espacio y tiempo para trabajar, pero en última instancia, puede funcionar mejor si sus topologías están diseñados así para el problema en particular en la mano.
Parte 3
Alternativas populares a considerar incluyen Máquinas de Vectores Soporte (que son ampliamente utilizados en el Análisis de Fraude y de la Red de Detección de intrusos, entre otras áreas).
Los Algoritmos genéticos y el Recocido Simulado (como stand-alone algoritmos y no en relación con las Redes Neuronales).
Un último grupo de algoritmos a considerar son el Enjambre de los Algoritmos de Optimización de Colonia de Hormigas. Algunos de los algoritmos en este grupo como continua ortogonal de optimización de colonia de hormigas puede ser muy poderosa para la resolución de ciertos problemas.
Usted podría considerar el uso de algún tipo de algoritmos de clustering. Dependiendo de tus problemas, K-Medoids o la Densidad de Clustering Basado en que podría ser útil.
Dependiendo de su problema, la Máquina de algoritmos de Visión también puede ser útil. Por ejemplo, el algoritmo de Milanfar, http://users.soe.ucsc.edu/~milanfar/research/computer-vision.html, basado en el local de regresión de los núcleos también puede ser útil.
Los algoritmos exactos para uso podría depender de que el problema exacto que usted está enfrentando. Algunos de los algoritmos funcionará muy bien en algunos casos pero muy mal en otro. Personalmente no creo que exista un único algoritmo que es perfecto para la solución de todo (si no se nos iba a usar), por lo que tendría que decidir sobre el algoritmo de referencia contra dependiendo del escenario en que se va a utilizar.
