Персептрон и его обучение на примере распознавания цифр и букв. Правила Хебба.
Персептрон Розенблатта и правило Хебба
Мак-Каллок и Питтс предложили конструкцию сети из математических нейронов и показали, что такая сеть может выполнять числовые и логические операции. Далее они высказали идею о том, что сеть из математических нейронов в состоянии обучаться, распознавать образы, обобщать, т.е. она обладает свойствами человеческого интеллекта.
Идея Мак-Каллока – Питтса была материализована в 1958 г. Фрэнком Розенблаттом в виде электронного устройства, моделирующего человеческий глаз. Это устройство, имеющее в качестве элементной базы модельные нейроны Мак-Каллока – Питтса и названное персептроном, удалось обучить решению сложнейшей интеллектуальной задачи – распознаванию букв латинского алфавита. Таким образом, удалось проверить основные гипотезы функционирования человеческого мозга и сам механизм его обучаемости. «Нельзя сказать, что мы точно воспроизводим работу человеческого мозга, – признавал Розенблатт, – но пока персептрон ближе всего к истине».
Разберем принцип действия персептрона для классификации цифр на четные и нечетные. Представим себе матрицу из 12 фотоэлементов, расположенных в виде четырех горизонтальных рядов по три фотоэлемента в каждом ряду. На матрицу фотоэлементов накладывается карточка с изображением цифры – это цифра «4»). Если на фотоэлемент попадает какой-либо фрагмент цифры, то данный фотоэлемент вырабатывает сигнал в виде двоичной единицы, в противном случае – ноль.
Первый фотоэлемент выдает сигнал 
, второй фотоэлемент – 
и т.д.
Персептронный нейрон выполняет суммирование входных сигналов 
, помноженных на синаптические веса 
, первоначально заданные датчиком случайных чисел. После этого сумма сравнивается с порогом чувствительности 
, также заданным случайным образом. Цель обучения персептрона состоит в том, чтобы выходной сигнал 
был = 1, если на карточке была изображена четная цифра, и 0, если цифра была нечетной.
Эта цель достигается путем обучения персептрона, заключающемся в корректировке весовых коэффициентов . Если, например, на вход персептрона была предъявлена карточка с цифрой «4», и выходной сигнал случайно оказался =1, означающей четность, то корректировать веса не нужно, так как реакция персептрона правильна. Однако, если выход неправилен и 
, то следует увеличить веса тех активных входов, которые способствуют возбуждению нейрона. В данном случае увеличению подлежат 
, , 
и др.
Иитерационный алгоритм корректировки весовых коэффициентов:
ШАГ 1. Подать входной образ и вычислить выход персептрона .
ШАГ 2,а. Если выход правильный, то перейти на шаг 1.
ШАГ 2,б. Если выход неправильный и равен нулю, то увеличить веса активных входов, например, добавить все входы к соответствующим им весам: 
. называют первым правилом Хебба
ШАГ 2,в. Если выход неправильный и равен единице, то уменьшить веса активных входов, например, вычесть каждый вход из соответствующего ему веса: 
. вторым правилом Хебба
ШАГ 3. Перейти на шаг 1 или завершить процесс обучения.
всегда ли алгоритм обучения персептрона приводит к желаемому результату: Если существует множество значений весов, которые обеспечивают конкретное различение образов, то в конечном итоге алгоритм обучения персептрона приводит либо к этому множеству, либо к эквивалентному ему множеству, такому, что данное различение образов будет достигнуто.
Проблемы и возможности применения сетей персептронного типа в промышленности, экономике, политологии, социологии, криминалистике, медицине и др. Проблемы проектирования и обучения нейросетей. 13-я проблема Гильберта и теорема Арнольда-Колмогорова. Гиперразмерность интерпретация обучения нейросетей: проблемы локальных минимумов, оврагов и способы их преодоления
Дата добавления: 2020-01-07; просмотров: 748; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!