nNe vredi ništa ako je aktivaciona vrednost svake jedinice na intervalu
[0,1] posle procesiranja ulaza od strane sigmoida. Praktično,
aktivaciona vrednost izlaznih jedinica je vrednost izmedju 0 i 1,
i ona je odgovor neuronske mreže na trenutni ulazni vektor.
nMoć
“backpropagation” mreža ogleda se u njihovim sposobnostima da se prilagode
težini svojih veza kako bi naučili specifične zadatke.
Algoritam učenja koristi željeni izlazni vektor ili odluke donete
od strane eksperta za svaki ulazni vektor (opisujući problematičnu
situaciju). Kada trenutni izlaz ne odgovara željenom izlazu, greška se koristi da prilagodi
težinu veza između slojeva.
nMnogi parovi (ulaz,željeni izlaz) su određeni od strane mreže za
svrhe vežbanja. Ovi parovi se obrađuju jedan po jedan od strane mreže da postepeno
prilagode težine dok se ne pojavi konvergencija. Obično, beznačajno mala greška
se podesi između trenutnog i željenog izlaza kako bi proverili ispravnost
mreže, i vežba prestaje kada se pokazatelj ove greške
stabilizuje.
nIz prethodnog obrazloženja, jasno je da podatak mora prvo biti kodiran u
formu ulaznog vektora za neuronsku mrežu. U našem modelu, svaki ulazni vektor
kodira opis situacije raspodele za svakog vozača pojedinačno. Ako je n broj vozača, n ulaznih vektora je prema tome kreirano za
svaki novi zahtev. Ulazni vektor odabranog vozača je dobijen je na osnovu devet
kriterijuma ili karakteristika opisanih u
delu 3.5 (zaobilazno vreme, vreme preuzimanja, vreme dostave, itd.).