Системы искусственного интеллекта. Гудков П.А. - 48 стр.

             n
      S = å xia wi + w0 > 0
            i =1

то выходной сигнал у = 1 и, следовательно, входное изображение Хα
принадлежит классу X1. Если S < 0, то y = –1           И   предъявленное изображение
принадлежит второму классу.
      Возможно использование отдельного нейрона и для выделения из
множества классов М = {X1 = {X1,..., Х1к}, ..., Хi= {Xi,...,Xiq}, ..., Xp= {Хp1,...,
Хрт}} изображений единственного класса Xi. В этом случае полагают, что
один из двух возможных выходных сигналов нейрона (например, 1)
соответствует классу Xi а второй – всем остальным классам. Поэтому, если
входное изображение Хα приводит к появлению сигнала y = 1, то Хα Є Хi,
если у = –1, то это означает, что предъявленное изображение не
принадлежит выделяемому классу.
      Система распознавания на основе единственного нейрона делит все
пространство        возможных           решений   на   две    области   с   помощью
гиперплоскости
      x1 w1 + x 2 w2 + ... + x n wn + w0= 0

      Для двумерных входных векторов границей между двумя классами
изображений является прямая линия: входные вектора, расположенные выше
этой прямой, принадлежат к одному классу, а ниже – к другому.
      Для адаптации, настройки или обучения весов связей нейрона может
использоваться несколько методов. Рассмотрим один из них, получивший
название "правило Хебба". Хебб, исследуя механизмы функционирования
центральной нервной системы, предположил, что обучение происходит
путем усиления связей между нейронами, активность которых совпадает по
времени. Хотя в биологических системах это предположение выполняется
далеко не всегда и не исчерпывает всех видов обучения, однако при
обучении однослойных нейросетей с биполярными сигналами оно весьма
эффективно.



                                                                                  48