Интеллектуальные информационные системы. Макаренко С.И. - 145 стр.

UptoLike

Составители: 

144
была бы двухслойной. Тогда бы A-элементы выступали для R-элементов в
роли S-элементов.
Рисунок 15.6 - Двухслойный персептрон
Однослойный персептрон характеризуется матрицей синаптических
связей ||W|| от S- к A-элементам. Элемент матрицы отвечает связи, ведущей
от i-го S-элемента (строки) к j-му A-элементу (столбцы). Эта матрица очень
напоминает матрицы абсолютных частот и информативностей,
формируемые в семантической информационной модели, основанной на
системной теории информации.
С точки зрения современной нейроинформатики однослойный
персептрон представляет в основном чисто исторический интерес, вместе с
тем на его примере могут быть изучены основные понятия и простые
алгоритмы обучения нейронных сетей.
15.6 Машинное обучение нейронной сети на примерах
15.6.1 Обучение на примерах
Обучение классической нейронной сети состоит в подстройке весовых
коэффициентов каждого нейрона.
Пусть имеется набор пар векторов {x
α
, y
α
}, α = 1..p, называемый
обучающей выборкой, состоящей из p объектов.
Вектор {x
α
} характеризует систему признаков конкретного объекта α
обучающей выборки, зафиксированную S-элементами.
Вектор {y
α
} характеризует картину возбуждения нейронов при
предъявлении нейронной сети конкретного объекта α обучающей
выборки [1]:
была бы двухслойной. Тогда бы A-элементы выступали для R-элементов в
роли S-элементов.




                 Рисунок 15.6 - Двухслойный персептрон

     Однослойный персептрон характеризуется матрицей синаптических
связей ||W|| от S- к A-элементам. Элемент матрицы отвечает связи, ведущей
от i-го S-элемента (строки) к j-му A-элементу (столбцы). Эта матрица очень
напоминает матрицы абсолютных частот и информативностей,
формируемые в семантической информационной модели, основанной на
системной теории информации.
    С точки зрения современной нейроинформатики однослойный
персептрон представляет в основном чисто исторический интерес, вместе с
тем на его примере могут быть изучены основные понятия и простые
алгоритмы обучения нейронных сетей.

      15.6 Машинное обучение нейронной сети на примерах

                      15.6.1 Обучение на примерах

    Обучение классической нейронной сети состоит в подстройке весовых
коэффициентов каждого нейрона.
    Пусть имеется набор пар векторов {xα, yα}, α = 1..p, называемый
обучающей выборкой, состоящей из p объектов.
    Вектор {xα} характеризует систему признаков конкретного объекта α
обучающей выборки, зафиксированную S-элементами.
    Вектор {yα} характеризует картину возбуждения нейронов при
предъявлении нейронной сети конкретного объекта α обучающей
выборки [1]:




                                   144