Форум Flasher.ru - Нейронная сеть на action script, не обучается

Добрый день, уважаемые!

прошу у Вас помощи, ибо 3й день я не могу найти ошибку в написанном мной алгоритме обучения нейросети, казалось бы проще уже не бывает: гомогенная нейронная сеть с биполярной сигмоидной функцией и обучением при помощи обратного распространения ошибки...

один нейрон учится командам AND и OR, однако стоит добавить еще один слой и попытаться обучить команде XOR, как сетка начинает ворочить носом и и выдавать что угодно, лишь бы не "исключающе или" (структура сети для XOR сделана совершенно стандартная, из книжек).

p.s. не нашел более подходящего раздела, ибо исходники у меня на Action Script'e

p.s.s. если появитятся добрые люди, имеющие возможность и желание помочь, выложу исходники и литературу, на которую я опирался при написании своей программы, а также опишу всю структуру нейросети, чтобы Вам не пришлось сидеть и разбираться что у меня к чему (код обучения, кстати, с коментариями).

p.s.s.s. если честно я на панике, это часть моего диплома, защита приддипломной практики которого будет 7 числа =(

Добавлено через 19 минут
конено, у меня есть и примеры и код.
проект лежит в дроп боксе, могу дать ссылку

функция обучения сети:

Код AS1/AS2:

public function train():void{

        var iter:int = 0;

        while (iter++<1000){

 

                for (var ei:int = 0; ei < learningInputArray.length; ei++){//обход обучающих примеров

                        //прямой прогон

                        var output:Number = computeResult(learningInputArray[ei].inputSignalArray); 

                        var realOutput:Number = learningInputArray[ei].realOutput; 

 

                        for (var li:int = neuralLayerArray.length - 1; li >= 0; li--){//обход слоев сети

                                var neuralLayer:NeuralLayer = neuralLayerArray[li];

 

                                for (var ni:int = 0; ni < neuralLayer.neuronArray.length; ni++){// обход нейронов в сети

                                        var neuron:Neuron = neuralLayer.neuronArray[ni];

                                        var inputSignal:Signaller;

                                        var delta:Number = 0;

                                        var error:Number = 0;

 

                                        if (li == neuralLayerArray.length - 1){//если выходной слой:

                                                //расчет ошибки:

                                                error = output - realOutput;

                                        } else {//если скрытый слой:

                                                error = 0;

                                                //расчет распространения ошибки:

                                                var nextNeuralLayer:NeuralLayer = neuralLayerArray[li+1];

                                                for (var nnl:int = 0; nnl<nextNeuralLayer.neuronArray.length; nnl++){

                                                        var learnedNeuron:Neuron = nextNeuralLayer.neuronArray[nnl];

                                                        error += 0.5*learnedNeuron.learningError * learnedNeuron.synapticPowerArray[ni] * (1 - learnedNeuron.outputSignal*learnedNeuron.outputSignal);

                                                }

                                        }

                                        neuron.learningError = error;

 

                                        //корректировка входных весов нейрона:

                                        for (var spah:int = 0; spah<neuron.synapticPowerArray.length; spah++){

                                                inputSignal = neuron.inputSignalArray[spah];

                                                neuron.synapticPowerArray[spah] = neuron.synapticPowerArray[spah] - 0.5*error*(1 - neuron.outputSignal*neuron.outputSignal)*inputSignal.outputSignal;

                                        }

                                        //корректировка активационного барьера:

                                        neuron.activationBarrier = neuron.activationBarrier + 0.5*error*(1 - neuron.outputSignal*neuron.outputSignal)

                                        trace("first layer");

 

 

                                }

                        }

                }

 

 

        }

}

активационная функция нейрона:

Код AS1/AS2:

override public function compute(v:Number):Number{

        var e:Number = Math.E;

        return 2/(1 + Math.pow(e, (-1*v)))-1;

}

основной материал, на который я опирался: http://www.machinelearning.ru/wiki/i...LDA2011no1.pdf