ВУЗ:
Составители:
33
циклов настройки, применяя функцию adapt и проверяя правиль-
ность получаемых результатов.
Итак, для настройки (обучения) персептрона применяется проце-
дура адаптации, которая корректирует параметры персептрона по
результатам обработки каждого входного вектора. Применение
функции adapt гарантирует, что любая задача классификации с ли-
нейно отделимыми векторами будет решена за конечное число цик-
лов настройки.
Нейронные
сети на основе персептрона имеют ряд ограничений.
Во-первых, выход персептрона может принимать только одно из
двух значений (0 или 1); во-вторых, персептроны могут решать зада-
чи классификации только для линейно отделимых наборов векторов.
Если векторы входа линейно неотделимы, то процедура адаптации не
в состоянии классифицировать все векторы должным образом.
Для
решения более сложных задач можно использовать сети с не-
сколькими персептронами. Например, для классификации четырех
векторов на четыре группы можно построить сеть с двумя персеп-
тронами, чтобы сформировать две разделяющие линии и таким обра-
зом приписать каждому вектору свою область.
Итак, основное назначение персептронов – решать задачи класси-
фикации. Они великолепно справляются
с задачей классификации
линейно отделимых векторов, при этом сходимость гарантируется за
конечное число шагов.
Количество циклов обучения зависит от длины отдельных векто-
ров, но и в этом случае решение может быть построено. Демонстра-
ционная программа demop4 поясняет, как влияет выброс длины век-
тора на продолжительность обучения.
Решение задачи классификации линейно неотделимых
векторов
возможно либо путем предварительной обработки входных векторов
с целью сформировать линейное отделимое множество входных век-
торов, либо путем использования многослойных персептронов. Воз-
можно также применить другие типы нейронных сетей, например,
линейные сети или сети с обратным распространением, которые мо-
гут выполнять классификацию линейно неотделимых векторов
входа.
циклов настройки, применяя функцию adapt и проверяя правиль-
ность получаемых результатов.
Итак, для настройки (обучения) персептрона применяется проце-
дура адаптации, которая корректирует параметры персептрона по
результатам обработки каждого входного вектора. Применение
функции adapt гарантирует, что любая задача классификации с ли-
нейно отделимыми векторами будет решена за конечное число цик-
лов настройки.
Нейронные сети на основе персептрона имеют ряд ограничений.
Во-первых, выход персептрона может принимать только одно из
двух значений (0 или 1); во-вторых, персептроны могут решать зада-
чи классификации только для линейно отделимых наборов векторов.
Если векторы входа линейно неотделимы, то процедура адаптации не
в состоянии классифицировать все векторы должным образом.
Для решения более сложных задач можно использовать сети с не-
сколькими персептронами. Например, для классификации четырех
векторов на четыре группы можно построить сеть с двумя персеп-
тронами, чтобы сформировать две разделяющие линии и таким обра-
зом приписать каждому вектору свою область.
Итак, основное назначение персептронов – решать задачи класси-
фикации. Они великолепно справляются с задачей классификации
линейно отделимых векторов, при этом сходимость гарантируется за
конечное число шагов.
Количество циклов обучения зависит от длины отдельных векто-
ров, но и в этом случае решение может быть построено. Демонстра-
ционная программа demop4 поясняет, как влияет выброс длины век-
тора на продолжительность обучения.
Решение задачи классификации линейно неотделимых векторов
возможно либо путем предварительной обработки входных векторов
с целью сформировать линейное отделимое множество входных век-
торов, либо путем использования многослойных персептронов. Воз-
можно также применить другие типы нейронных сетей, например,
линейные сети или сети с обратным распространением, которые мо-
гут выполнять классификацию линейно неотделимых векторов
входа.
33
