Модельний ряд алгоритму навчання перцептронна

Розглянемо задачу класифікації арабських цифр, за стилізованим графічними зображеннями за ознакою парності чи непарності

У кожній навчальній карті 20 компонентів вектору вхідних сигналів, поставимо у відповідність 1 із бінарних сталих виходів.

Нехай для визначення непарним цифрам (1,3,5,7,9) – відповідний активний стан перцептрона тобто на виході 1 алгоритм цифрам (0,2,4,6,8) відповідає пасивний стан перцептрона.

Процес навчання на такій навчальній множині

(“0”- 0); (“1” – 1),(“2” – 0); (“3” – “1”); (“4” – 0); (“5” – 1); (“6” – 0); (“7” – 1); (“8” – 0); (“9” – 1)

На такій навчальній множині передбачає корегування W_j, так щоб реакція перцептрона була очікуваною. Врахувоуючи спосіб графічно стилізованого зображення чисел очевидно що деякі із ваг прямуватимуть до 0 а інші навпики – збільшуватимуться.

Вагові коефіцієнти W₄,W₈,W₁₂,W₁₆,W₂₀, прямуватимуть до 0 (по цих каналах прямуватимуться інтенсивні вхідні сигнали, виключно для парних цифр.

Вагові коефіцієнти W₁,W_5,W₉,W₁₃,W₁₇, навпаки зростатимуть оскільки по цих каналах подаватимуться інтенсивні вхідні сигнали виключно для непарних цифр.

		·

У множину цифр можна штучно розширити добавивши нові наприклад із 16 нових

Враховуючи подібність стилізованих зображень нових цифр до відновлення арабських (парних(16)Б і непарних (16)). У випадку спального навчання перцептронна ШН зможе правити класифікація нових цифр на парність чи непарність.

ДЕЛЬТА-ПРАВИЛО

У складніших моделях перцептронів можуть використовуватись передатні функції відмінні від порогової функції стрибка наприклад лінійна з насиченням лінійного зростання

;

Uspih:=true

for i=1 to 10 do

begin S:=0

for i:= 1 to 20 do S:=S+X[i;j];

if(I mod 2=0) and (S=P) then {корекція}

S:=0; q:=0

For j:=1 to 20 do S:=1+x[i,j]*w[j]

If (I mod 2=0, and [S>=p] then {корекція}

If (imod 2=1) and (S<p) then {корекція}

Uspih:=true; k:=0

For i:=1 to 10 do

Uspih:= false

While not uspih do

Begin

K:=0

For i:=1 to 10 do

Begin

Q:=0;

While q:= 0 do

Q:=1;S:=0;for j:=1 to 2 do; S:=S+[o,j]*W[j];

If (imod 2=0)and (<>=p)then {Wj,q:=0;k:=1}

End,

End

If k = 1 then uspih = true

End.

{кінець навчання}

{тестування}

For i:=10 to 15 do

Begin

S:=0;for j:=1 to 20 do S:=S+X[i,j]*W[j]

If s>p then write(`цифра`,I, `непарне`)

Else writeln(`цифра`,t,`парне`)

End;

У цьому випадку на виході перцептронна формування на бінарний сигнал а деяке дійсне значення із діапазону

Out є [a;b] абоout є(а;b)

а

а

b

b

Окрім цього дійсним можуть бути і очікувані еталонного зростання. Тому в цьому випадку навчання і функціонування перцептронна буде недискретним а неперервним. Загальна схема алгоритму даних тієюж самою, при цьому корекція ваг здійснюється, пропорційно до величини похибки яку позначено символом ∆T-out

Остаточно співвідношення яке визначає корекцію

= +ɣ X _j ·Δ _i, де Δ _i = T _i · out _i

узагальнене дельта правило.

Дата добавления: 2015-08-31