Математические методы искусственного интеллекта. Броневич А.Г - 19 стр.

UptoLike

ВУЗ: 

ТТИ ЮФУ | Таганрог

Составители: 

Рубрика: 

19
четырех подряд идущих правильных классификаций алгоритм завершает ра-
боту, в результате получается весовой вектор (0,1,2,3)=− −w . Заметим, что в
данном примере мы получим разделяющую гиперплоскость в четырехмер-
ном пространстве, проходящую через начало координат. В общем случае для
нахождения разделяющей гиперплоскости (если она существует) в
n -мерном
пространстве необходимо вводить смещение: рассматривать (1)
n + -мерные
векторы
1
(1, ,..., )
n
x
x=x и искать (1)n + -мерный вектор весов
01
( , ,..., )
n
ww w=w .
Практическая часть
. Рассмотреть примеры разделения на два класса
методом обучения однослойного персептрона.
Лабораторная часть
. Написать программу разделения классов методом
обучения однослойного персептрона.
7. НЕЙРОННАЯ СЕТЬ
И АЛГОРИТМ ОБУЧЕНИЯ ХОПФИЛДА
В основе нейроинформатики [раздела искусственного интеллекта, ко-
торый занимается изучением нейронных сетей (НС)] лежит два представле-
ния: о строении мозга и о процессах обучения. При рассмотрении строения
мозга ключевым элементом является понятие простейшего элемента, кирпи-
чика мозга – «нейрона». Второе представление базируется на возможности,
по аналогии с живыми организмами, формировать путем обучения
такие свя-
зи между нейронами, чтобы множество нейронов (нейронная сеть) могло ре-
шать определенную задачу. Простейшей НС является персептрон.
НС допускают как прямое программирование, т.е. формирование связей
по явным правилам (существует большой класс задач, для которых связи
формируются по явным формулам), так и неявную настройку НС на решение
определенных
задач. Этот процесс и называют обучением.
Обучение обычно строится по принципу «поощрение-наказание»: сис-
теме предъявляется набор примеров с заданными ответами. Нейроны преоб-
разуют входные сигналы, выдают ответ – также набор сигналов. Отклонение
от правильного ответа штрафуется путем изменения внутренней настройки
сети. Обучение состоит в минимизации отклонения.
Стандартный формальный нейрон составлен из входного сумматора,
нелинейного преобразователя и точки ветв-
ления на выходе. Наиболее важный элемент
нейрона – это
адаптивный сумматор, ко-
торый вычисляет скалярное произведение
вектора входного сигнала x
(по аналогии с
нейрофизиологией вход нейрона называют
дендритом) на вектор настраиваемых па-
раметров w (рис. 10). Далее сигнал посту-
пает на нелинейный преобразователь,
называемый функцией активации. Он
преобразует скалярный входной сигнал x
в сигнал φ(x) (выход нейрона назы-
. . .
1
w
2
w
n
w
Σ
w
Рис.10
0
w
1
1
x
2
x
n
x
ϕ

Страницы