|
|
| Строка 1: |
Строка 1: |
| - | В 1949 физиолог Дональд Олдингс Хебб написал книгу "Организация сознания". В этой книге он попытался объяснить, как нейроны человеческого мозга могут обучаться. Его теория получила впоследствии название "Обучение Хебба". В основе правил обучения для [[сети Хопфилда]] легли именно исследования Дональда Хэбба.
| + | #REDIRECT [[Правило Хэбба]] |
| - | | + | |
| - | =История=
| + | |
| - | [[Перcептрон 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 предложенные Хеббом 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 Новикова|теорема сходимости персептрона]].
| + | |
| - | | + | |
| - | =Математическая формулировка=
| + | |
| - | Будем полагать, что классы помечены числами 0 и 1:
| + | |
| - | <center><tex>a(x)=\bigl[ \langle\omega, x\rangle > 0 \bigr]</tex></center>
| + | |
| - | где ω - вектор синаптических весов, x<sub>i</sub> = (x<sub>i</sub><sup></sup>, …, x<sub>i</sub><sup>n</sup>) объект из обучающей выборки прецентдентов X<sup>L</sup> = {x<sub>1</sub>, …, x<sub>n</sub>}, для которого известен правильный ответ y<sub>i</sub>.
| + | |
| - | | + | |
| - | Персептрон обучают по правилу Хебба.
| + | |
| - | Предъявляем на вход один объект.
| + | |
| - | Если выходной сигнал персептрона совпадает с правильным ответом, то никаких действий предпринимать не надо.
| + | |
| - | В случае ошибки необходимо обучить персептрон правильно решать данный пример.
| + | |
| - | | + | |
| - | Ошибки могут быть двух типов. Рассмотрим каждый из них.
| + | |
| - | | + | |
| - | '''Первый тип ошибки''': на выходе персептрона a(x<sub>i</sub>) = 0, правильный ответ y<sub>i</sub>=1.
| + | |
| - | | + | |
| - | Для того, чтобы персептрон выдавал правильный ответ необходимо, чтобы скалярное произведение стало больше. Поскольку переменные принимают значения 0 или 1, увеличение суммы может быть достигнуто за счет увеличения весов.
| + | |
| - | Однако нет смысла увеличивать веса при переменных , которые равны нулю. Увеличиваем веса только при тех, которые равны 1. Для закрепления единичных сигналов с ω, следует провести ту же процедуру и на всех остальных слоях.
| + | |
| - | | + | |
| - | В этом и заключается первое правило Хэбба.
| + | |
| - | | + | |
| - | '''Второй тип ошибки''': a(x<sub>i</sub>) =1, y<sub>i</sub>=0.
| + | |
| - | | + | |
| - | Для уменьшения скалярного произведения в правой части, необходимо уменьшить веса связей при тех переменных , которые равны 1. Необходимо также провести эту процедуру для всех активных нейронов предыдущих слоев.
| + | |
| - | | + | |
| - | Отсюда следует второе правило 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)]]
| + | |
| - | #Hebb D.O. — The Organization of Behavior. John Wiley & Sons, New York, 1949
| + | |
| - | #Л. Н. Ясницкий — Введение в искусственный интеллект. — с.30-32
| + | |
| - | #[http://window.edu.ru/window_catalog/redir?id=28836&file=tsure062.pdf| Ю.А.Брюхомицкий Нейросетевые модели для систем информационной безопасности]
| + | |
| - | | + | |
| - | =Ссылки=
| + | |
| - | *[http://www.gotai.net/documents/doc-nn-009-02.aspx www.gotai.net]
| + | |
| - | *[http://ru.wikipedia.org/wiki/Дельта-правило#.D0.9F.D1.80.D0.B8.D0.BC.D0.B5.D1.87.D0.B0.D0.BD.D0.B8.D1.8F ru.wikipedia.org]
| + | |
| - | *[http://www.softcraft.ru/neuro/ni/p13.shtml www.softcraft.ru]
| + | |
| - | | + | |
| - | | + | |
| - | [[Категория:Энциклопедия анализа данных]]
| + | |
| - | [[Категория:Машинное обучение]]
| + | |
| - | [[Категория:Нейронные сети]]
| + | |
| - | | + | |
| - | {{Задание|Platonova.Elena|Константин Воронцов|8 января 2010}}
| + | |
