Методы искусственного интеллекта для машинного перевода текстов. Роганов В.Р - 43 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

43
xw T
iik k
i
n
⋅=
=
∑
1
, k=1...m (13)
Каждая полученная область является областью определения отдельного
класса. Число таких классов для одной ИНС перцептронного типа не превыша-
ет 2
m
, где m – число выходов сети. Однако, не все из них могут быть разделимы
данной ИНС.
Например, однослойный перцептрон, состоящий из одного нейрона с дву-
мя входами, представленный на рисунке 9, не способен разделить плоскость
(двумерное гиперпространство) на две полуплоскости так, чтобы осуществить
классификацию входных сигналов по классам A и B.
x
1
x
2
0 1
0 A B
1 B A
Уравнение сети для этого случая
xw xw T
11 2 2
⋅
+
⋅
=
(14)
является уравнением прямой (одномерной гиперплоскости), которая ни при ка-
ких условиях не может разделить плоскость так, чтобы точки из множества
входных сигналов, принадлежащие разным классам, оказались по разные сто-
роны от прямой (рис. 10).
Если присмотреться к таблице, можно заметить, что данное разбиение на
классы реализует логическую функцию исключающего ИЛИ для
входных сиг-
налов. Невозможность реализации однослойным перцептроном этой функции
получила название проблемы исключающего ИЛИ.
Функции, которые не реализуются однослойной сетью, называются линей-
но неразделимыми. Решение задач, подпадающих под это ограничение, заклю-
чается в применении 2-х и более слойных сетей или сетей с нелинейными си-
напсами, однако и тогда существует вероятность,
что корректное разделение
некоторых входных сигналов на классы невозможно. 
                                           n

                                          ∑x
                                          i =1
                                                   i   ⋅ wik = Tk , k=1...m   (13)

    Каждая полученная область является областью определения отдельного
класса. Число таких классов для одной ИНС перцептронного типа не превыша-
ет 2m, где m – число выходов сети. Однако, не все из них могут быть разделимы
данной ИНС.
    Например, однослойный перцептрон, состоящий из одного нейрона с дву-
мя входами, представленный на рисунке 9, не способен разделить плоскость
(двумерное гиперпространство) на две полуплоскости так, чтобы осуществить
классификацию входных сигналов по классам A и B.

                            x1       x2        0            1
                                 0             A            B
                                 1             B            A

    Уравнение сети для этого случая

                                 x1 ⋅ w1 + x2 ⋅ w2 = T                        (14)
является уравнением прямой (одномерной гиперплоскости), которая ни при ка-
ких условиях не может разделить плоскость так, чтобы точки из множества
входных сигналов, принадлежащие разным классам, оказались по разные сто-
роны от прямой (рис. 10).
    Если присмотреться к таблице, можно заметить, что данное разбиение на
классы реализует логическую функцию исключающего ИЛИ для входных сиг-
налов. Невозможность реализации однослойным перцептроном этой функции
получила название проблемы исключающего ИЛИ.
    Функции, которые не реализуются однослойной сетью, называются линей-
но неразделимыми. Решение задач, подпадающих под это ограничение, заклю-
чается в применении 2-х и более слойных сетей или сетей с нелинейными си-
напсами, однако и тогда существует вероятность, что корректное разделение
некоторых входных сигналов на классы невозможно.


                                                                               43

Страницы