Page 76 - 4522

y = ψ (net – θ),
де  – деякий постійний зсув (аналог порога нейрона).
Звичайно використовуються найпростіші нелінійні функції:
 при 1, x  ,0

x
ш   
бінарна (порогова):  0, при x  0,
–x
чи сигмоїдна: ψ(x) = 1 / (1 + e ).
Залежно від типу функції активації розрізняють
дискретні персептрони, що використовують порогову
функцію активації, і дійсні – що використовують дійсні
функції активації, наприклад, сигмоїдну функцію.
Кожен нейрон має невелику пам'ять, що реалізовується
ваговими коефіцієнтами і порогом нейрона. Тому нейрони
можна розглядати як запам'ятовуючі пристрої. У той же час
нейрони можуть розглядатися як примітивні процесори, що
здійснюють обчислення значення функції активації на основі
різниці зваженої суми вхідних сигналів і порога.

Алгоритм навчання одношарового дискретного
персептрона має вигляд.
Крок 1. Вагам w i(0) (i = 1, ..., N) і порогові θ(0)
присвоюються випадкові значення (через w i(t) позначений
ваговий коефіцієнт i-го входу персептрона в момент часу t,
через θ(t) позначена величина зсуву (порога) нейрона в
момент часу t).
Крок 2. Пред'являються черговий вхідний вектор
т
х = {х 1, ..., х N} з навчальної множини і бажаний вихід y*(t)
(y*(t) = 1, якщо х(t) відноситься до класу A, y*(t) = 0, якщо х(t)
відноситься до класу В).
Крок 3. Обчислюється значення на виході персептрона
за формулами:
N
net   w i    txt i
 i 1 ,
t
t
y   ш   net  и   
.
Крок 4. Корегуються ваги персептрона відповідно до
рівностей:
w i(t + 1) = w i(t) + η(y*(t) - y(t))x i(t), i = 1, 2, ..., N,
θ(t + 1) = θ(t) + η(y*(t) – y(t)),
де η – позитивний коригувальний приріст.
75