Перцептрона
Cтраница 3
Узнающие машины - одно из названий автоматов, способных опознавать и классифицировать входные сигналы, несущие зрительную, слуховую и другую информацию. Чаще всего такие авто-маты называют опознающими устройствами или перцептронами. [31]
Таким образом, различают квазизрительный, квазислуховой, квазиосязательный и другие перцептроны. Технику автоматического управления в настоящее время наиболее интересуют квазизрительный и квазислуховой перцептроны. [32]
Если такие предикаты построены, то аксиомы классов вида (7.6) будут инвариантны, причем они обеспечат максимальную точность ( экстраполирующую силу) описания классов при обучении по выборке минимального объема, содержащей по одному представителю из каждого класса. Заметим, что для достижения такой предельной точности в распознающих системах типа перцептрон [44, 133] может потребоваться обучающая выборка неограниченного объекта. [33]
Распознающие системы простейшего вида обычно разрабатываются на принципе сравнения распознаваемого знака с набором идеальных знаков - механических, фотографических и электрических эталонов. В более сложных системах распознавания образов окружающего нас мира, обычно называемых перцептронами, образы различаются по многим статистическим, случайно заданным прототипам ( маскам), действующим одновременно. Для каждого из них автоматически находится коэффициент веса в образовании данного изображения. Последние классифицируются по сумме или произведению коэффициентов веса ряда прототипов. [34]
Классификация по целевому назначению возможна, но список перцептронов в этом ряду непрерывно растет. Можно выделить такие классы перцептронов: 1) читающие машины; 2) автоматические стенографы; 3) перцептроны для типографских работ; 4) перцептроны для анализов крови; 5) перцептроны для микроскопных исследований и целый ряд других. [35]
Сложные задачи классификации ( например, задача классификации химических соединений по их активности), которые вообще не могут быть решены с помощью обычного перцептрона с ограниченным числом J-элементов, весьма успешно решаются после дополнительного введения процедуры адаптации структуры. Кроме того, следует отметить, что предложенный алгоритм адаптации структуры трехслойного перцептрона может быть использован и в многослойных перцептронах, позволяющих решать более сложные задачи ( обобщение по подобию и др.) т - е - может рассматриваться как универсальное правило синтеза структуры решающих правил весьма широкого класса. По-видимому, большинство известных решающих правил может быть синтезировано именно таким образом. [36]
При конструировании перцептронов возникают сложные теоретические вопросы. Эти вопросы решает теория автоматического опознания образов, являющаяся разделом кибернетики, занимающаяся анализом информационно-логических процессов, происходящих в перцептронах, и разработкой принципов построения и реализации алгоритмов, описывающих процессы опознания. [37]
Перцептроны могут опознавать различные вещи, процессы, явления. Для перцептрона, считывающего условие задачи для ввода в управляющее или вычислительное утройство, объектами опознания будут буквы и цифры текста, а для перцептрона, вводящего в машину голосовые команды, объектами будут звуки - речи, из которых состоят слова. [38]
Классификация по целевому назначению возможна, но список перцептронов в этом ряду непрерывно растет. Можно выделить такие классы перцептронов: 1) читающие машины; 2) автоматические стенографы; 3) перцептроны для типографских работ; 4) перцептроны для анализов крови; 5) перцептроны для микроскопных исследований и целый ряд других. [39]
Классификация по целевому назначению возможна, но список перцептронов в этом ряду непрерывно растет. Можно выделить такие классы перцептронов: 1) читающие машины; 2) автоматические стенографы; 3) перцептроны для типографских работ; 4) перцептроны для анализов крови; 5) перцептроны для микроскопных исследований и целый ряд других. [40]
Элементы сети делятся на видимые ( входные и выходные) и скрытые. К входным элементам подводится анализируемая картина, а с выходных снимается реакция сети. Как и для перцептрона, обучение заключается в постепенном подборе весовых коэффициентов, с тем чтобы минимизировать рассогласование между желаемым и имеющимся результатами обработки входных картин. [41]
Теперь все пространство Еп разбито на две области и перцептрон будет относить к - классу А все образы, лежащие левее плоскости / - / рисунка, и к классу В все образы другого полупространства. Однако процесс обучения продолжается. Поэтому, предъявляя перцептрону новый объект, оператор вводит информацию о том, к какому классу относится вновь воспринятый образ. Если он включается в класс С, перцептрон, снова подбирая случайным образом коэффициенты at, строит гиперплоскость, разделяющую точки класса А от точки класса С. [42]
 |
Характер измеления сигналов при последовательном вводе изображения квадрата. [43] |
Здесь может быть предложено большое число алгоритмов опознания. Наиболее простой из них следующий. В режиме обучения перцептрону предъявляются последовательно все объекты заданного алфавита образов. Ассоциирующая система перцептрона вычисляет значения направляющих косинусов векторов каждого из образов. Ар, которые принимаются за эталоны. Понятно, что численные описания эталонных векторов могут оставаться не известными оператору. Если изображения опознаваемых объектов не имеют значительных вариаций и в поле зрения перцептрона могут появляться только объекты, подлежащие опознанию, то процесс обучения может быть а этом закончен. [44]
В настоящее время существует большое количество таких схем, отличающихся по принципу действия, техническим средствам реализации и по задачам, решаемым с их помощью. Однако во всех случаях перцептроны строились до сих пор на различных электрических, электронных и магнитных элементах, несмотря на то, что часто это чрезвычайно дорого, неудобно и связано с трудностями в преобразовании информации. В частности, одно из основных препятствий в создании осязательного перцептрона заключается в разработке соответствующих датчиков, образующих рецепторное поле. [45]
Страницы: 1 2 3 4