Page 145 - 4196

вектор кожного образу доповнюється компонентою 1 і
T
тоді X   ,x 1 x 2  1 , , W  W 1 , W 2 , W 3  - поповнені
вектори образів і вагової функції.
Схема навчання, яку прийнято називати алгорит-
мом перцептрону, зводиться до ітераційної процедури,
 1
коли на k  - кроці навчання ваговий вектор отримає
значення
  ,k якщо W T      ,0kXk
W
W  1k   
W   cXk  ,k якщо W T      ,0kXk

(4.87)
де c - додатній коректуючий коефіцієнт,  kX - k -й
об’єкт, поданий на k -му кроці навчання. Попередньо усі
компоненти об’єктів другого класу  помножуються на
2
- 1. Початковий вектор ваг  1W вибирається довільно.
Алгоритм перцептрону (4.87) збігається, якщо зада-
ні класи являються лінійно роздільними.
Існує декілька модифікацій алгоритму перцептрону
в залежності від способу вибору коефіцієнта c. Найбільш
поширені алгоритм фіксованого приросту, алгоритм
корекції абсолютної величини та алгоритм дрібної коре-
кції.
В алгоритмі фіксованого приросту величина кое-
фіцієнта c є константою, більшою за нуль.
В алгоритмі корекції абсолютної величини значен-
ня c відповідає найменшому цілому числу, що переви-
щує величину W T     XkXk T    kXk .

В алгоритмі дрібної корекції коефіцієнт c вибира-
ється згідно співвідношення
T
W    kXk
c   , 0    2.
X T    kXk

145