Еднослоен перцептрон

1. ИМЕНА.

1.1. Основен на английски: еднослоен перцептрон.

1.2. Основно на български: еднослоен перцептрон.

1.3. Други имена: ---.

2. АВТОРИ И ИСТОРИЯ НА СЪЗДАВАНЕТО.

Моделът е разработен от Rosenblatt през 1959 г.

Еднослоен перцептрон е способен да разпознава най-простите модели. Единичен неврон изчислява претеглената сума на елементите на входния сигнал, изважда стойността на отклонението и предава резултата през твърда прагова функция, чийто изход е +1 или -1. В зависимост от стойността на изходния сигнал се взема решение: +1 - входният сигнал принадлежи към клас А, -1 - входният сигнал принадлежи към клас В.

Фигурата показва диаграма на неврони, използвани в еднослойни персептрони, графика на трансферната функция и диаграма на региони за вземане на решения, създадени в многомерното пространство на входните сигнали. Регионите за вземане на решения определят кои входни изображения ще бъдат приписани към клас А и кои - към клас B. Перцептрон, състоящ се от един неврон, образува два региона за вземане на решения, разделени от хиперравнина. Фигурата показва случая, когато размерността на входния сигнал е 2. В този случай разделителната повърхност е права линия в равнината. Входните сигнали над разделителната линия са клас A, под линията са клас B. Уравнението, което определя разделителната линия, зависи от стойностите на синаптичните тегла и отклонението.

По-долу е описана класическата процедура за настройка на персептрон, предложена от Розенблат.

перцептрон

Ориз. 1. Диаграма на неврон, графика на предавателната функция и разделителна повърхност

Алгоритъм за обучение на еднослоен перцептрон:

1. Инициализиране на синаптичните тегла и отклонения:

Стойностите на синаптичните тегла wj(0) и отклонението на невроните b са определени равни на някоималки произволни числа.

Запис: wj(t) - теглото на връзката от j-тия елемент на входния сигнал към неврона в момент t.

2. Представяне на новите входни и желани изходни сигнали към мрежата:

Входният сигнал x=(x0,x1. ​​​​xN-1) се представя на неврона заедно с желания изходен сигнал d.

3. Изчисляване на изходния сигнал на неврона:

(1)

4. Адаптиране (настройване) на стойностите на скалата:

(2)

r - стъпка на обучение (по-малко от 1),

d(t) е желаният изходен сигнал.

Ако мрежата вземе правилното решение, синаптичните тегла не се променят.

5. Отидете на стъпка 2.

ТИП ВХОДНИ СИГНАЛИ: двоичен или аналогов (реален).

ВХОДНИ И ИЗХОДНИ РАЗМЕРИса ограничени при софтуерна реализация само от възможностите на компютърната система, върху която се моделира невронната мрежа, при хардуерна реализация - от технологични възможности.

КАПАЦИТЕТ НА МРЕЖАТАсъответства на броя на невроните.

4. ПРИЛОЖЕНИЯ:

разпознаване на образи, класификация.

5. НЕДОСТАТЪЦИ.

Примитивните разделителни повърхности (хиперравнини) позволяват решаването само на най-простите проблеми на разпознаването.

6. ПОЛЗИ.

Софтуерните или хардуерните реализации на модела са много прости. Прост и бърз алгоритъм за обучение.

7. МОДИФИКАЦИИ.

Многослойните перцептрони правят възможно изграждането на по-сложни разделителни повърхности и следователно имат по-широко приложение при решаване на проблеми с разпознаването.