Решение на такава задача от мозъка може да бъде обработката на информация от обикновеното зрение (human vision). Във функциите на зрителната
Изтегляне 1.78 Mb. Pdf просмотр
|
Свързани:
Kniga uchitel IT 6. klas Даниела Убенова (1), Kniga uchitel IT 8. klas Даниела Убенова, elektronno-obuchenie
- Навигация на страницата:
- 3.1 Мрежи с прагови функции на активност
| Глава 2 Перцептрон и Adaline Тук ще разгледаме еднослойни невронни мрежи, ще включим някои от класическите подходи при изчисляването на невроните и задачи свързани с тяхното обучение. В първата част на това изложение ще обсъдим представителната мощност на мрежите от един слой и техните обучаващи алгоритми и ще дадем примери за използване на мрежите. Във втората част изложението ще обсъдим представителните ограничения на еднослойните мрежи. В първата част ще бъдат описани двата „класически” подхода: Перцептронът, предложен от Франк Розенблат (Fracn Rosenblatt) през 50-те години на ХХ век и простата мрежа Adaline, представена в началото на 60-те години на ХХ век от Уидроу (Widrow) и Хоф (Hoff) Перцептронът представлява мрежа, при която обработващите елементи са организирани в слоеве с насочени връзки между невроните от един слой и тези от следващия. 3.1 Мрежи с прагови функции на активност Еднослойните мрежи съдържат един или повече изходни неврони o, всеки от които е свързан с тегловия коефициент ω io В най-простия случай мрежата има само два входа и един изход, като рисунката на фиг. 3.1 (нарочно пропускаме индекса o). Входът на неврона е сумата от теглата на входовете плюс отклонението. Изходът на мрежата се Фигура 3.1: Мрежа от един слой с един изход и два входа формира чрез активността на изходния неврон, която е функция от входовете: 98 2 1 i i i y x ω θ = = + ∑ F , (3.1) Тази функция определя състоянието на активност на неврона. Активиращата функция Φ може да бъде линейна, таке че имаме линейна или нелинейна мрежа. В тази секция ще разгледаме праговата (или sgn) функция: ( ) 1 0 1 ако s s в противен случай > = − F (3.2) Изходът на мрежата, който е или 1 или −1, зависи от входа. Сега мрежата може да се използва за решаването на класическата задача: може ли да се реши дали входния образец се отнася към един от двата класа. Ако общия вход е положителен, моделът ще се отнесе към класа +1, ако общия вход е отрицателен – към класа −1. В този случай разделителя между двата класа е права линия, зададена чрез равенството: 1 1 2 2 0 x x ω ω θ + + = . (3.3) Еднослойните мрежите представляват линейно отделима функция. Геометричното представяне на линейните прагови невронни мрежи е даден на фиг. 3.2. Фигура 3.2: Геометрично представяне на функцията на отделимост и на теглата. Равенството (3.3) може да се запише като 1 1 2 2 2 x x ω θ ω ω = − − (3.4) и виждаме че теглата определят наклона на правата, а отклонението определя „отместването”, т.е. колко далече е правата от началната точка. Да обърнем внимание 99 на факта, че теглата могат да бъдат отбелязани във входното пространство: тегловия вектор винаги е перпендикулярен на функцията на отделимост. След като е представена силата на връзките на еднослойните мрежи с линейно прагови възли, преминаваме към втория проблем: как да обучим теглата и влиянието им върху мрежата? Ще опишем два метода на обучение на тези видове мрежи: обучаващата процедура на „перцептронът” и „делта” или „LMS” правилото. Двата метода итеративно определят теглата. Обучаващото правило е представено за мрежата. За всяко тегло новата стойност се изчислява, чрез добавяне на корекции към старата стойност. Прагът се актуализира по същия начин: ( 1) ( ) ( ) i i i t t t ω ω ω + = + (3.5) ( 1) ( ) ( ) t t t θ θ θ + = + (3.6) Сега задачата за обучението може да се формулирана по следния начина: в какъв ред да се изчислят ( ) i t ω и ( ) t θ , за да се класифицират правилно моделите на обучение? Изтегляне 1.78 Mb. Сподели с приятели:
|