Правила Хэбба

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Более принятое название -- в единственном числе)
 
(15 промежуточных версий не показаны.)
Строка 1: Строка 1:
-
Правило обучения для сети Хопфилда опирается на исследования Дональда Хебба (D.Hebb, 1949), который предположил, что синаптическая связь, соединяющая два нейрона будет усиливатьося, если в процессе обучения оба нейрона согласованно испытывают возбуждение либо торможение. Простой алгоритм, реализующий такой механизм обучения, получил название правила Хебба.
+
#REDIRECT [[Правило Хэбба]]
-
 
+
-
=История=
+
-
Персептрон Розенблатта в первоначальном его исполнении состоял из фотоэлементов, которые, в зависимости от поданного на них сигнала вырабатывали сигнал логической единицы, либо логического нуля.
+
-
Сигналы с фотоэлементов поступали на взвешенный сумматор (элементарный процессор, искусственный нейрон) с пороговой функцией активации.
+
-
Нейрон также выдавал сигнал логического нуля, либо логической единицы.
+
-
Возможен вариант использования вместо {0,1} сигналов {-1,1}.
+
-
 
+
-
Цель обучения перцептрона состояла в том, чтобы при подаче на фотоэлементы закодированного образа на его выходе появлялась логическая единица в случае принадлежности поданного образа к заранее определенному классу и ноль в противном случае.
+
-
Логика обучения следующая: если сигнал персептрона при некотором образе верен, то ничего корректировать не надо, если нет — производится корректировка весов сумматора. Правила корректировки весов предложены Хеббом в 1949 году и имеют следующий смысл:
+
-
* Первое правило Хебба — ''Если сигнал персептрона неверен и равен нулю, то необходимо увеличить веса тех входов, на которые была подана единица.''
+
-
* Второе правило Хебба — ''Если сигнал персептрона неверен и равен единице, то необходимо уменьшить веса тех входов, на которые была подана единица.''
+
-
 
+
-
Правила применяются последовательно для всех образов, на которых производится обучение. На вопрос о том, придет ли персептрон к устойчивому состоянию, когда он будет корректно классифицировать все входные образы отвечает [[теорема сходимости перцептрона|теорема Новикова]].
+
-
 
+
-
=Математическая постановка=
+
-
Иногда удобнее полагать, что классы помечены числами −1 и 1,а нейрон выдаёт знак скалярного произведения:
+
-
<center><tex>a(x)=sign(\langle\omega, x\rangle)</tex></center>
+
-
Тогда несовпадение знаков <tex>\langle\omega, x\rangle</tex> и y<sub>i</sub> означает, что нейрон ошибается на объекте x<sub>i</sub>.
+
-
<center>'''если''' <tex>\langle\omega, x\rangle y_i <0</tex>, '''то''' <tex>\omega = \omega +\eta x_ig_i</tex></center>
+
-
называемое правилом Хэбба.
+
-
 
+
-
= См. также =
+
-
* [[Персептрон]]
+
-
* [[Теорема Новикова]]
+
-
* [[Перcептрон Розенблатта]]
+
-
* [[Модель МакКаллока-Питтса]]
+
-
* [[Адаптивный линейный элемент]]
+
-
* [[Искусственная нейронная сеть]]
+
-
 
+
-
=Литература=
+
-
#[[Машинное обучение (курс лекций, К.В.Воронцов)]]
+
-
 
+
-
=Ссылки=
+
-
 
+
-
[[Категория:Энциклопедия анализа данных]]
+
-
[[Категория:Машинное обучение]]
+
-
[[Категория:Нейронные сети]]
+
-
 
+
-
{{Задание|Platonova.Elena|Константин Воронцов|8 января 2010}}
+

Текущая версия

  1. REDIRECT Правило Хэбба
Личные инструменты