Geum.ru

1. Классификация моделей представления знаний

Вид материалаДокументы
3 Метод Видроу-Хоффа
Подобный материал:
1   2   3   4   5   6   7   8   9   ...   12

Процедуру обучения Розенблатта для однослойного персептрона можно представить так [4] :
(1)



где
  • - -тый вход НС
  • - желаемый (идеальный) -тый выход НС
  • - коэффициент (скорость обучения) 

Весовые коэффициенты меняются только в том случае, если реальное выходное значение не совпадает идеальным выходным значением.

Полный алгоритм обучения Розенблатта строится следующим образом:
  1. весовые коэффициенты НС инициализируются малыми случайными значениями.
  2. подать на вход НС очередной учебный пример.
  3. если выход НС не совпадает с идеальным выходом 
    то происходит модификация весов по (1)
  4. цикл с п.2 
    пока 
    не 
    или 
    весовые коэф. перестанут меняться

3 Метод Видроу-Хоффа


Персептрон Розенблатта ограничивается бинарными выходами. Видроу и Хофф изменили модель Розенблатта. Их первая модель - ADALINE (Adaptive Linear Element) имела один выходной нейрон3 и непрерывную линейную функцию активации нейронов[3].

 
(2)



Метод обучения Видроу-Хоффа известен еще как дельта-правило (delta-rule). Этот метод ставит своей целью минимизацию функции ошибки в пространстве весовых коэффициентов.

 
(3)



где
  • - количество обработанных НС примеров
  • - ошибка для -го примера
  • - реальный выход НС для -го примера
  • - желаемый (идеальный) выход НС для -го примера

Минимизация осуществляется методом градиентного спуска




где




Таким образом весовые коэффициенты изменяются по правилу
(4)



Полный алгоритм обучения методом Видроу-Хоффа строится следующим образом:
  1. задать скорость обучения () 
    задать минимальную ошибку сети ; 
    весовые коэффициенты НС инициализируются малыми случайными значениями.
  2. подать на вход НС очередной учебный пример 
    рассчитать выход НС
  3. скорректировать веса по (4)
  4. цикл с п.2 пока 
    (где - суммарная среднеквадратичная ошибка НС)



38. Продукционные модели представления знаний.

Продукционная модель знания — модель основанная на правилах, позволяет представить знание в виде предложений типа «Если (условие), то (действие)».

Продукционная модель — фрагменты Семантической сети, основанные на временных отношениях между состояниями объектов.

Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу.

В общем случае продукционную модель можно представить в следующем виде:

, где:
  •   — описание класса ситуаций;
  •   — условие, при котором продукция активизируется;
  •   — ядро продукции;
  •   — постусловие продукционного правила.