Персептрони, дослідження в області нейронних мереж. Модель нейронної мережі зі

зворотним поширенням помилки. Системи штучного інтелекту

образів — це віднессення данных до визначеного класу за допомогою признаків,

що характеризують ці дані, з загальной маси даних

системи, а можливо, й управляючих впливів на основі поточної інформації

з метою досягнення визначеного стану системи за умовами початковоъ невизначеносты та умовах функціонування, що змінюються.
Навчання — це процес, завдяки якому система поступово набуває здатності відповідати потрібними реакціями на визначені сукупності звнішніх факторів.

нулю, то необхідно збільшити вагові коефіцієнти тих входів, на які

було подано одиницю.
Друге правило Хебба — Якщо сигнал перцептрона невірний та дорівнює одиниці, то необхідно зменьшити вагові коефіцієнти тих входів, на які було подано одиницю.
Правила застосовуються послідовно до всіх образів, що використовуються для навчання.

Тойво Кохонену (1982 рік)

та
Чи змінились y, якщо так, то 2, інакше на виході маємо найбільш схожий образ

елемент k-ого образу
Вагові коефіцієнти гальмуючих синапсів у другому шарі оберають

рівними 0 < e < 1/m. Синапс нейрона, що зв’язаний з його ж аксоном має вагу +1.

з якого розраховується стан нейронів першого шару (верхній індекс у

дужках вказує на номер шару):


Після цього значеннями, що отримані ініціалізуються аксони другого шару: yj(2) = yj(1), j = 0...m-1
Обчислити нові стани нейронів другого шару:


та значення їх аксонів:


Функція активації f має вигляд порогу та F повинна бути достатньо великою, щоб будь які значення аргументу не призводили до насичення.
Перевірити, чи зменілись виходи нейронів другого слою за останню ітерацию. Якщо так – перейти до шагу 2. Інакше – завершення функціонування.

, j=0...m-1       

(FPGA)

2-е издание.: Пер. с англ. – М. : Издательский дом

«Вильямс», 2006. – 1104 с.