Главная > Энциклопедия кибернетики. Т.2
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

ПЕРСЕПТРОН

(от англ. to percept - воспринимать) — обучаемая распознающая система, реализующая корректируемое линейное решающее правило в пространстве фиксированных случайно выбранных признаков входных сигналов. Обычно признаки являются линейными пороговыми функциями от входных сигналов. Обучение П. заключается в последовательной коррекции положения разделяющей гиперплоскости по текущим результатам распознавания входных сигналов; методы коррекции по своей идее близки к градиентным методам оптимизации и обычно сводятся к изменению положения разделяющей гиперплоскости при каждой ошибке распознавания таким образом, чтобы нормаль к этой плоскости смещалась в направлении ошибочно распознанного вектора признаков.

П. предложил в 1957 амер. ученый Ф. Розенблатт в качества простейшей модели мозга. Чаще всего рассматриваются П. осуществляющие распознавание оптических изображений. В простейшем случае схемы таких П.

подобны изображенной на рисунке. Распознаваемое изображение проектируется на сетчатку из светочувствительных элементов (-элементов). Выходные сигналы последних соответствуют зачерненностям отдельных участков изображения. Выходы .-элсмснтов связываются со входами т. н. ассоциативных элементов (-элементов). Каждая связь . характеризуется некоторым числом (весом связи) на которое умножается передаваемый сигнал Ассоциативные А - элементы представляют собой многовходовые пороговые элементы.

Структурная схема трехслойного персептрона.

Выходной сигнал такого элемента принимает одно из двух возможных значений (напр., «1» или «0») в зависимости от того, превышает или нет алгебр, сумма его входных сигналов заданный порог , если в противном случае.

Структура связей А-элементов с сетчаткой выбирается случайным образом в соответствии с заданным распределением вероятностей. Выходные сигналы А - элементов также умножаются на некоторые веса и подаются на входы решающих элементов (Л-элементов). Их выходные сигналы формируют код решения П. Обычно каждому из классов изображений (образов), которые должен различать П., ставится в соответствие один из решающих элементов и для любого распознаваемого изображения отличен от нуля выход только одного Я-элемента, напр, того, для которого алгебр, сумма входных сигналов максимальна. Алгоритм распознавания, реализуемый этим П., осуществляет линейное разделение классов (образов) в пространстве выходных сигналов Л-элементов, выступающих в роли некоторых признаков входных изображений. Обучение такого простейшего П. (называемого трехслойным, или П.) заключается в изменении по определенным правилам значений весов связей между А- и -элементами.

Различают режим обучения и режим самообучения П. При обучении класс распознаваемого изображения указывается извне, напр. человеком-«учителем». Наиболее часто встречается т. н. обучение с коррекцией ошибок, при котором изменение весов производится только в случае ошибочного решения П. (в простейшем случае, если изображение класса к ошибочно отнесено к классу I, то веса заменяются на а веса на . В режиме самообучения указание о классе поступает с выхода самого П. и изменение весов производится непрерывно. При некоторых ограничивающих условиях доказаны теоремы о сходимости определенных алгоритмов обучения П. Сходимость означает, что обучение потребует конечного числа коррекций весов. Условия, при которых справедливы эти теоремы, равносильны требованию линейной разделимости классов изображений в пространстве выходных сигналов --элементов.

Экспериментальные исследования П. как путем моделирования на ЦВМ, так и путем создания специализированных устр-в (напр., амер. макеты «Марк 1» и «Конфлекс ), показали, что в тех случаях, когда изображения одного класса «накрывают» в основном одни и те же группы -элементов, после

достаточно продолжительного обучения может быть достигнута вероятность правильного распознавания, значительно превышающая вероятность случайного отгадывания при распознавании графических изображений типа букв, «вписанных» в поле зрения сетчатки).

Практическое значение трехслойных П., несмотря на относительную простоту их теоретического и экспериментального изучения, весьма незначительно. Экстраполяционные возможности таких П., т. е. умение правильно распознавать изображения, не участвовавшие в обучении, полностью определяются структурой связей S- и А-элементов. Поскольку эти связи являются случайными, то характер экстраполяции, осуществляемой П., лишь случайно может совпасть с требуемым. Серьезные трудности вызывает также режим самообучения. Поскольку фактически не определено, какой именно классификации должен «самообучиться» П., результирующая классификация, как правило, не имеет ничего общего с ожидаемой (напр., объединение всех входных изображений в один класс).

Теория трехслойных П. получила значительное развитие в работах амер. кибернетиков М. Минского и С. Пейперта. Они строго доказали, что трехслойные П. в принципе не могут решать многие из задач распознавания образов. К таким задачам, в частности, относится распознавание симметрии или подобия геом. фигур, обнаружение известной фигуры на фоне других фигур, выявление связности фигуры и т. п. Даже при сравнительно малом числе элементов сетчатки для решения подобных задач с помощью трехслойных П. требуются физически нереализуемые объемы аппаратуры (по числу необходимых А-элементов и значениям весов связей) и длительности обучения (по числу отдельных коррекций весов).

Во многих работах были попытки улучшить рабочие характеристики П. путем усложнения его структуры (напр., переходом к многослойным схемам, в которых сигналы от сетчатки последовательно передаются через несколько «слоев» А - элементов и лишь затем поступают на входы А-элементов) или путем - усложнения процедуры обучения (напр. коррекцией весов других связей, кроме связей А- и -элементов, и т. п.). При подобных усовершенствованиях теряются такие привлекательные стороны трехслойных П., как простота и ясность схемной организации и процедуры обучения. Полноценный теоретический анализ столь сложных схем и алгоритмов обучения П- становится несравненно более трудной (и почти неразработанной) задачей. Вопрос о возможностях многослойных П. в настоящее время остается открытым. Известны лишь отдельные более или менее удачные результаты экспериментальных исследований некоторых вариантов таких схем (напр., четырехслойного П. «ПАПА» итал. ученого А. Гамба). Хотя успехи в теории и практике П- еще невелики, схема П. исторически сыграла большую роль, поскольку привлекла внимание многих исследователей к необходимости строгой формулировки и подробного теоретического анализа вопросов моделирования разумного поведения и, в частности, вопросов обучения и самообучения кибернетических устройств.

Лит.: .

1
Оглавление
email@scask.ru