Пейперт

Cтраница 1

Пейперт в опубликованной ими книге [67] положили начало строгому математическому анализу перцептронных схем. Утверждалось, что однослойные нейронные сети имеют ограниченные репрезентативные возможности и обучение многослойных ИНС непродуктивно. Авторитет ученых был настолько велик, что публикация их работы остановила процесс изучения проблемы более чем на 10 лет. Несмотря на ослабевший интерес к ИНС перцеп-тронного типа, в 70 - е годы появляется ряд работ по самоорганизации, среди которых - теория адаптивного резонанса ( APT) С. [1]

Пейперт С Переворот в сознании. [2]

Буква может быть написана по-разному.| Два трехместных, один двухместный и одноместный предикаты. [3]

Пейперт как раз и посвящена этим вопросам. Применительно к примеру следует поступить следующим образом. [4]

Пейперта, в которой проблема представимости была строго проанализирована и показано, что имеются жесткие ограничения на то, что могут выполнять персептроны и, следовательно, чему они могут обучиться. В частности, персептрон не способен реализовать функцию исключающее ИЛИ, принимающее выходное значение О при равных значениях двух входов и 1 для всех остальных комбинаций. [5]

Пейперта, бум вокруг которых вновь возник в конце 80 - х годов в связи с появлением нейрокомпьютеров и развитием интегрированных подходов в ИИ. Похожая вещь произошла недавно с ситуационным управлением и семиотическим моделированием - научным направлением, сформировавшимся в конце 60 - х годов в отечественной школе Д.А.Поспелова, которое пережив в середине 90 - х годов новое рождение под именем Прикладная семиотика, вызвало широкий международный резонанс в научном мире. Автор верит, что на новом витке развития ИИ, в русле продвижения от многоагентных систем к интеллектуальным организациям, возродятся, получат широкое распространение и найдут применение многие блестящие модели психики и интеллекта, формирования индивидуального и коллективного поведения, самоорганизации деятельности, познания и общения, разработанные в недрах различных наук. И будут выращены зерна новых междисциплинарных научных знаний, будут открыты новые технологии. [6]

Пейпертом [4], показал его ограниченные возможности, поскольку не всегда существует такая комбинация весовых коэффициентов, при которой заданное множество образов будет распознаваться правильно. Причина этого недостатка состоит в том, что однослойный перцептрон реализует линейную поверхность, разделяющую пространство эталонов, вследствие чего происходит неверное распознавание образов в случаях, когда задача не является линейно сепарабельной. Для решения таких проблем предложены модели многослойных перцептронов, способные строить ломаную границу между распознаваемыми образами. [7]

Пейпертом [16], показал, что персептрон не является универсальным устройством для распознавания и, в частности, принципиально неспособен решить целый ряд весьма простых задач. Причиной этого является именно линейный характер актива-ционной функции. [8]

Несколько позже Минский и Пейперт выполнили глубокий анализ вычислительной мощности однослойного перцептрона. [9]

Теория линейных свойств была развита Минским и Пейпертом ( 1969) в попытке ответить на вопросы ( наряду с многими другими) о способностях линейных схем к распознаванию образов. Эта общая проблема определения способностей данного класса абстрактных схем классифицировать образы была исследована также Блюмом и Хьюитом ( 1967), которые подошли к ней с точки зрения теории автоматов. Грей ( 1971) показал, что значительное число свойств объекта может быть вычислено с помощью правильно подобранных локальных операций, и описал специализированное вычислительное устройство для обработки изображений, реализующее эти операции. [10]

Ограничения персептронов, о которых писали Минский и Пейперт, оказались преодолимыми, а возможности вычислительной техники - достаточными для решения широкого круга прикладных задач. [11]

Этот неоправданный оптимизм испарился еще до того, как Минский и Пейперт провели свою теоретическую обширную работу, развенчавшую представление о системе PERCEPTRON. Просто экспериментальные результаты оказались недостаточно хорошими, так что воображением специалистов по искусственному интеллекту овладело новое увлечение. [12]

Очень хорош обзор Ныоэлла ( Newell) по книге Минского и Пейперта Персептроны. Ньюэлл обсуждает цели, подходы и методы вычислительной науки. [13]

В МТИ наиболее видное положение на факультете и в исследованиях занимают Минский, Пейперт и в несколько меньшей степени Вейценбаум [73], в Университете Карнсги - Нью-элл и Саймон, в Станфорде - Маккарти, Сэмюэль, Колби и Фейгенбаум. [14]

Многослойные персептроны были предложены и исследованы в 1960 - х годах Розенблаттом, Минским, Пейпертом и др. Лишь в середине 1980 - х годов был предложен эффективный алгоритм обучения многослойных персептронов, основанный на вычислении градиента функции ошибки и названный обратным распространением ошибки. [15]

Страницы: 1 2