Народ, взялся за рекуррентные нейронные сети и не совсем понимаю, как оно реализовывается, конкретно - усечённое обратно распространение во времени.
Взять например развёртывание. Сразу ли оно производится для всех моментов времени, тобишь предъявляемых образов? Как быть с выходным нейроном - после развёртывания у нас их получается несколько штук, вместо, например одного в исходной сети?
Читаю Хайкина, его полный курс, но не совсем понимаю как это работает, и как это алгоритмизировать. Может быть, кто-нибудь подскажет, как это делается, или даст ссылку на более подробное описание процесса обучения рекуррентных сетей?

У нас в универе тоже основным учебником является Хайкинс, но он мудреный... Это признает как профессор, так и многие лаборанты, но посоветовать хорошую книжку как-то никто не береться.

Из личного опыта:

На русском:
Обязательно прочитайте Беркинблита. Там немножко не о том, но она дает самое важное - понимание. Главное понять как ездит машинка, а ездит она на бензине, дизеле или на воздушной подушке уже понимаете потом.

Корифей Осовский без вариантов.

На английском:

Patrick van der Smagt - лекции.
Colin Fyfe
Juan R. Rabunal

Обложившись этими книжками (которые есть в электронном варианте - это факт) разбираться будет много проще.

Удачи!