Вернуться на страницу <Model Vision Studium>
В начало 

Построение модели персептрона Розенблата.

Предметом моделирования стал процесс обучения однослойного персептрона. Т.е. мы предъявляем на вход некий вектор (абсолютно любой), а на выходе задаем вектор, который желаем получить (двоичный вектор). Сеть, обладая некоторыми начальными заданными весами у каждого нейрона, подстраивает их таким образом, чтобы ее выходной вектор совпал с заданным.

В Model Vision Studium это выглядит следующим образом:

На рисунке четко виден S - слой персептрона (при моделировании взяли 5 штук), A – слой персептрона (опять же 5 штук), блок, формирующий входной вектор (Dev_1), требуемый вектор и блок, считающий ошибку между выходным вектором сети и требуемым вектором. Слой R здесь не нужен, т.к. он является масштабирующим выходы, что нам абсолютно не нужно при использовании простого метода обучения.

Схема функционирует следующим образом: из блока входа сигнал поступает на S – слой, где формируются весовые коэффициенты,

где x1-x4 – входы, w1-w4 соответствующие для данного нейрона весовые коэффициенты, err1 – ошибка выхода сети, a – постоянная обучения. Таким образом, блоки s1-s5 являются динамическими объектами, состояние которых определяется представленным набором дифференциальных уравнений. Выходы блока – весовые коэффициенты.

На входы блоков A1-A5 поступают как весовые коэффициенты, так и входы. A – блок формирует величину NET=w1*x1+w2*x2+w3*x3+w4*x4, а затем производит нелинейное преобразование при помощи активационной функции. В нашем случае функция – ступенька.

Данный блок формирует выход в зависимости от сигнала NET. Пока NET>0 блок находится в состоянии, реализуемом уравнениями “1” и его выход “1”. Как только NET становится отрицательным, блок переходит в другое состояние, реализуемое уравнением "2" и его выход "0".

После чего выход A – слоя подается на вход блока ошибки. Формируются сигналы, которые подаются на входы блоков, формирующих весовые коэффициенты (обратная связь).

Интерес представляет то время, за которое ошибка станет меньше наперед заданной величины, т.е. так называемое время обучения. В данном случае (двоичный выходной вектор) ошибки не будет вообще, т.е. мы можем получить точное время обучения. Модель тестировалась для различный входных и выходных векторов. Пример одного теста представлен ниже.

В данном случае процесс обучения займет чуть более 3-х секунд, однако и класс задач, решаемых такой нейронной сетью с таким алгоритмом обучения весьма узок.

В начало
Вернуться на страницу <Model Vision Studium>