Читайте также:
|
Разработчики теории – Маккалон и Питтс.
Главные результаты нейронных сетей сводились к следующему:
1. Модель нейрона в виде простейшего процессорного элемента, который вычисляет значение некоторой функции.
2. Конструкция нейронной сети для выполнения логических и арифметических операций.
3. Высказывалось предположение, что нейронная сеть способна обучаться, распознавать образы и обобщать полученную информацию.
Фрэнк Разенблатт (1958 г.) ввел понятие перцептрона – модели
нейронных сетей.
Разенблатт ввел возможность модификации межнейронных связей. Это сделало нейронную сеть обучаемой.
Первые перцептроны могли распознавать буквы алфавита.
Алгоритм обучения перцептрона:
1) Системе предъявляется эталонный образ;
2) Если результат распознавания совпадает с заданным, то весовые коэффициенты не изменяются;
3) Если нейронная сеть неправильно распознает результат, то весовым коэффициентам дается приращение в сторону повышения качества распознавания.
Перцептрон имеет ограниченные возможности, поскольку не всегда
существует такая комбинация весовых коэффициентов, при которой заданное множество образов будет распознаваться правильно.
Причина в том, что однослойный перцептрон реализует линейную разделенную поверхность пространства эталона, вследствие чего происходит неверное распознавание, если модель не является сепарабельной.
Сепарабельность – свойство такого пространства, для бесконечного множества элементов которого может быть задан счетный скелет, центр которого обладает центром тяжести, вокруг которого группируются отдельные классы близких по параметрам элементов.
Пространство является нормированным и для него могут быть определены основные свойства нормированного пространства:
- метрика;
- сепарабельность;
- связность;
- конформность.
В метрическом пространстве каждой модели с уникальным набором координат соответствует свой уникальный вектор и единственная точка.
Малое изменение отдельных координат модели приводит к малым изменениям модели и к малым перемещениям точки.
Сепарабельность приводит к тому, что все множество элементов пространства может быть разделено на отдельные подмножества моделей, похожих по определенным признакам.
Конформность означает что объем, заданный некоторым множеством моделей в пространстве, может произвольным образом без разрывов деформироваться в целом или своими локальными частями.
Связность предполагает, что множество моделей пространства представляет собой единую унитарную структуру в случае односвязности.
Либо в случае многосвязности, распадается по каким-то признакам на отдельные подмножества.
Для решения проблем были предложены модели многослойных перцептронов, которые были способны строить ломаную линию.
Дата добавления: 2015-02-22; просмотров: 16 | Поможем написать вашу работу | Нарушение авторских прав |