Page 155 - 4196

T
W i k   1  W i  k   k X  signk r i   X   Wk  i    kXk

або в еквівалентній формі

   k X   якщо,k W T      rkXk X  ,k
 W
W i  1k    i k i i (
W i   k k X   якщо,k W i T      rkXk i X  ,k

4.91)

де вибір коректуючого коефіцієнта у виді   1 k задо-
k
вольняє умові збіжності ітераційного процесу.
Особливістю алгоритму (4.91) є корегування ваг на
кожному кроці на відміну від алгоритму перцептрону, де
корегування відбувалось тільки у випадку неправильної
класифікації об’єкта-еталона.
Рахується, що ітераційна процедура (4.91) збіглася
до вільного від помилок рішення, якщо усі еталони на-
вчальної вибірки кваліфіковані правильно, тобто

 i T X  ,1 якщо X   ,
 W
i

W i T X  ,0 якщо X   .

i

На практиці виконання цієї умови ускладнюється, якщо
класи не піддаються точному роз’єднанню. Для завер-
шення процедури навчання достатньо, щоби для усіх
еталонів класу  виконувалась умова
i
d i   dX  j  X , j  , i i  1 ,..., m .
В цьому випадку є гарантія того, що рішення зійдеться за
критерієм мінімального абсолютного розходження його з
 f  i X  до оптимального байесівського класифікатора.
При розділенні двох класів алгоритм визначення
ваг приймає вигляд
W k   1  W  k   k X  signk r   X   Wk  T    kXk ,

155