Перцептрон Розенблата

Виды передаточных функций

От вида зависит свойства НС

1. Линейная функция активации с насыщением

2. Пороговая функция активации

1,S³0

F(S)= 0,S<0

Используют в Н.С., где алгоритм н-р обратного распространения, т.к. функция не дефференц.

3. Сигмоидальная функция (самая распростроненная)

s(S)=1/(1+e^(-a*s))

a-параметр кривизны. Если a к 0, то сигмоида выражается в прямую =0,5, если a стремится к ∞, то близко к пороговой.

Производная функции s(S)=-1/(1+e^(-a*s))*e^-as*(-a)

Достоинства: Слабые сигналы усиливаются сильно. Это позволяет избежать пресыщения от сильных сигналов.

4) Гиперболический тангенс

ЧИУС th(aS)=e^aS-e^-aS/ e^aS+e^-aS

Отличается от сигмоиды только областью допустимых значений (-1;1), поскольку связана след. соотношением th (a/2S)=as(S)-1

+1,S>=0

Y=F(S)= -1,S<0

+1, xÎA

Если y= -1, xÎB

Один нейрон может создавать только 2 решающих области

+1, xÎA

d= -1, xÎB

d-указания учителя

н-р: исходная выборка

Х1	Х2	d
-1
		-1

Уравнение двумерной гиперплоскости x1*w1+x2*W2-b=0

X2==b-x1*w1/w2

Если х2>=-W1/W2+b/W2, значит хÎА

Если гиперплоскость олномерная, то это точка и х1 –левее /правее, х2 –выше/ниже

Фрэнк Разенблатт (1958 г.) ввел понятие персептрона – модели нейронных сетей. Разенблатт ввел возможность модификации межнейронных связей. Это сделало нейронную сеть обучаемой.

Алгоритм обучения персептрона:

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.
Персептрон имеет ограниченные возможности, поскольку не всегда существует такая комбинация весовых коэффициентов, при которой заданное множество образов будет распознаваться правильно.
Причина в том, что однослойный персептрон реализует линейную разделенную поверхность пространства эталона, вследствие чего может происходить неверное распознавание.

Дата добавления: 2015-04-24