Single Layer Perceptron

  1. Название
  2. Авторы и история создания
  3. Модель
  4. Области применения
  5. Недостатки
  6. Преимущества
  7. Модификации
  8. Источники

1. НАЗВАНИЯ.

1.1. Основное по-английски: single layer perceptron.

1.2. Основное по-русски: однослойный персептрон.

1.3. Другие названия: ---.

2. АВТОРЫ И ИСТОРИЯ СОЗДАНИЯ.

Модель разработана Розенблаттом в 1959 г.

3. МОДЕЛЬ.

Однослойный персептрон способен распознавать простейшие образы. Отдельный нейрон вычисляет взвешенную сумму элементов входного сигнала, вычитает значение смещения и пропускает результат через жесткую пороговую функцию, выход которой равен +1 или -1. В зависимости от значения выходного сигнала принимается решение: +1 - входной сигнал принадлежит классу A, -1 - входной сигнал принадлежит классу B.

На рисунке показана схема нейронов, используемых в однослойных персептронах, график передаточной функции и схема решающих областей, созданных в многомерном пространстве входных сигналов. Решающие области определяют, какие входные образы будут отнесены к классу A, какие - к классу B. Персептрон, состоящий из одного нейрона, формирует две решающие области, разделенные гиперплоскостью. На рисунке показан случай, когда размерность входного сигнала равна 2. При этом разделяющая поверхность представляет собой прямую линию на плоскости. Входные сигналы над разделяющей линией относятся к классу A, под линией - к классу B. Уравнение, задающее разделяющую прямую, зависит от значений синаптических весов и смещения.

Далее описывается классическая процедура настройки персептрона, предложенная Розенблаттом.

Рис. 1. Схема нейрона, график передаточной функции и разделяющая поверхность

Алгоритм обучения однослойного персептрона:

1. Инициализация синаптических весов и смещения:

Значения синаптических весов wj(0) и смещение нейрона b устанавливаются равными некоторым малым случайным числам.

Обозначение: wj(t) - вес связи от j-го элемента входного сигнала к нейрону в момент времени t.

2. Предъявление сети нового входного и желаемого выходного сигналов:

Входной сигнал x=(x0,x1...xN-1) предъявляется нейрону вместе с желаемым выходным сигналом d.

3. Вычисление выходного сигнала нейрона:

(1)

4. Адаптация (настройка) значений весов:

(2)

где

r - шаг обучения (меньше 1),

d(t) - желаемый выходной сигнал.

Если сеть принимает правильное решение, синаптические веса не модифицируются.

5. Переход к шагу 2.

ТИП ВХОДНЫХ СИГНАЛОВ: бинарные или аналоговые (действительные).

РАЗМЕРНОСТИ ВХОДА И ВЫХОДА ограничены при программной реализации только возможностями вычислительной системы, на которой моделируется нейронная сеть, при аппаратной реализации - технологическими возможностями.

ЕМКОСТЬ СЕТИ совпадает с числом нейронов.

4. ОБЛАСТИ ПРИМЕНЕНИЯ:

распознавание образов, классификация.

5. НЕДОСТАТКИ.

Примитивные разделяющие поверхности (гиперплоскости) дают возможность решать лишь самые простые задачи распознавания.

6. ПРЕИМУЩЕСТВА.

Программные или аппаратные реализации модели очень просты. Простой и быстрый алгоритм обучения.

7. МОДИФИКАЦИИ.

Многослойные персептроны дают возможность строить более сложные разделяющие поверхности и поэтому имеют более широкое применение при решении задач распознавания.

8. ИСТОЧНИКИ:

  1. Уссермен Ф. Нейрокомпьютерная техника. - М.: Мир, 1992.
  2. Lippman R.P. An introduction to computing with neural nets // IEEE ASSP Magazine. Apr. 1987. P.4-22.
  3. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. NeuralWare, Inc., 1991. 355 p.

smallogo При использовании информации, находящейся на данной странице, вы обязаны ссылаться на следующую работу:

Отчет по научно-исследовательской работе "Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии"; Копосов А.И., Щербаков И.Б., Кисленко Н.А., Кисленко О.П., Варивода Ю.В. и др., ВНИИГАЗ, 1995.