<<
>>

ОБУЧЕНИЕ ПЕРСЕПТРОНА

Способность искусственных нейронных сетей обучаться является их наиболее интригующим свойством. Подобно биологическим системам, которые они моделируют, эти нейронные сети сами моделируют себя в результате попыток достичь лучшей модели поведения.

Используя критерий линейной разделимости, можно решить, способна ли однослойная нейронная сеть реализовывать требуемую функцию. Даже в том случае, когда ответ положительный, это принесет мало пользы, если у нас нет способа найти нужные значения для весов и порогов. Чтобы сеть представляла практическую ценность, нужен систематический метод (алгоритм) для вычисления этих значений. Розенблатт [4] сделал это в своем алгоритме обучения персептрона вместе с доказательством того, что персептрон может быть обучен всему, что он может реализовывать. Обучение может быть с учителем или без него. Для обучения с учителем нужен «внешний» учитель, который оценивал бы поведение системы и управлял ее последующими модификациями. При обучении без учителя, рассматриваемого в последующих главах, сеть путем самоорганизации делает требуемые изменения. Обучение персептрона является обучением с учителем. Алгоритм обучения персептрона может быть реализован на цифровом компьютере или другом электронном устройстве, и сеть становится в определенном смысле самоподстраивающейся. По этой причине процедуру подстройки весов обычно называют «обучением» и говорят, что сеть «обучается». Доказательство Розенблатта стало основной вехой и дало мощный импульс исследованиям в этой области. Сегодня в той или иной форме элементы алгоритма обучения персептрона встречаются во многих сетевых парадигмах.
<< | >>
Источник: Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. 1992

Еще по теме ОБУЧЕНИЕ ПЕРСЕПТРОНА:

  1. Многослойные персептроны
  2. 2.1 Структура сети для выделения сюжета изображения
  3. 1.3.2. Методы классификации с предварительной обработкой сигнала
  4. 1.1. Искусственные нейронные сети. Их основные типы, используемые в физике.
  5. 1.2.6. Нейросетевой гауссов классификатор
  6. 1.2.11. Однослойный персептрон
  7. 2.2. Самонастраивающаяся нейронная сеть радиально базисного типа.
  8. 2.2.3. Сравнение МСП, RBF и СНРБ-сетей.
  9. Приложение СНРБ-сети для распознавания изображений
  10. Глава 5 ИНФОРМАЦИОННЫЕ СИСТЕМЫ В МЕДИЦИНЕ
  11. ОГЛАВЛЕНИЕ
  12. ИСТОРИЧЕСКИЙ АСПЕКТ
  13. ПЕРСЕПТРОНЫ И ЗАРОЖДЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
  14. ПЕРСЕПТРОННАЯ ПРЕДСТАВЛЯЕМОСТЬ
  15. ОБУЧЕНИЕ ПЕРСЕПТРОНА
  16. АЛГОРИТМ ОБУЧЕНИЯ ПЕРСЕПТРОНА
  17. ИСПОЛЬЗОВАНИЕ ОБУЧЕНИЯ
  18. ОБУЧЕНИЕ ПЕРСЕПТРОНА