Используется совместно с сетью Хэмминга в составе систем распознавания образов

Персептрон стал первой действующей нейросетевой моделью, показавшей основные недостатки имеющихся решений задач ИИ и определившей основные направления дальнейших разработок в этой области.

Предложена конструкция сети для выполнения арифметических и логических задач, сделано основополагающее предложение о способности сети обучаться и распознавать образы.

Неоптимизирующие НС

И те и другие могут работать в режиме обучения и решения задачи.

Модели НС делят на оптимизирующие и неоптимизирующие.

Модели нейронных сетей

Упрощенный алгоритм, как и исходный, гарантирует, что функция ошибки после расщепления увеличиваться не будет.

Величины весов связей выходов новых нейронов и нейронов следующего слоя равны половине величин весов связей исходного нейрона с соответствующими нейронами следующего слоя.

Значение каждого синаптического веса нового нейрона есть значение соответствующего веса старого нейрона плюс некоторый небольшрй шум.

В результате расщепления вместо исходного нейрона в сеть вводятся два новых нейрона.

Оптимизирующие НС: имеют обратные связи, т.е. решение задачи происходит итеративно, сигнал проходит через сеть несколько раз, а результат приближается к решению постепенно.

Неоптимизирующие – просто преобразуют входные сигналы в выходные, обратных связей не имеют.

Модель Маккаллока

-бинарные состояния весов и выходов нейронов

-пороговая активационная функция

Модель Розенблата (1958г) СХЕМУ НС НАРИСОВАТЬ!!!!!!!!

-введена способность связей к модификации, что сделало его модель нейронной сети обучаемой.

-пороговый вид переходной функции.

-один слой нейронов в сети

Эта модель была названа персептроном. Розенблат ставил целью моделирование человеческого зрения и распознавание образов. Его система распознавала некоторые буквы латинского алфавита.

Персептрон предназначен для решения задачи классификации в пространстве признаков, причем только для линейно-разделимых классов (проблема исключающего ИЛИ).

Сеть поиска максимума с прямыми связями (Feed-Forward MAXNET, сеть поиска максимума, основанная на двоичном дереве и нейросетевых компараторах)

Передаточные функции нейронов, формирующих сигналы y 1, y 2 – жесткие пороговые, передаточные функции остальных нейронов – линейные с насыщением.

z – значение максимального сигнала

y 1, y 2 – индикаторы максимума.

Недостаток – зависимость числа слоев сети от размерности входного сигнала.

Преимущество по сравнению с сетью MAXNET циклического функционирования – заранее известен необходимый объем вычислений.

Сеть Кохонена (Kohonen’s Neural Network, Kohonen’s Self Organizing Feature Map – SOFM – самоорганизующаяся карта признаков Кохонена – 1984г)

Сеть предназначена для разделения N-мерных векторов входных сигналов на подгруппы. Сеть состоит из M нейронов, образующих прямоугольную решетку на плоскости. Элементы входных сигналов подаются на входы всех нейронов сети. В процессе работы алгоритма настраиваются синаптические веса нейронов.

Области применения: кластерный анализ, распознавание образов, классификация. Сеть может быть использована, если заранее известно количество кластеров.

Сеть способна функционировать в условиях помех, т.к. число классов фиксировано, веса модифицируются медленно, и настройка весов заканчивается после обучения.

Дата добавления: 2014-01-20