Virheenkorjausmenetelmä

Virheenkorjausmenetelmä on Frank Rosenblattin ehdottama perceptron - oppimismenetelmä . Se on oppimismenetelmä, jossa yhteyden paino ei muutu niin kauan kuin perceptronin nykyinen reaktio pysyy oikeana. Kun tapahtuu virheellinen reaktio, paino muuttuu yhdellä ja merkki (+/-) määritetään vastakkaiseksi virheen etumerkistä.

Menetelmän muutokset

Perceptronin konvergenssilauseessa erotetaan tämän menetelmän eri tyyppejä, on todistettu, että mikä tahansa niistä mahdollistaa konvergenssin saavuttamisen minkä tahansa luokitusongelman ratkaisemisessa.

Virheenkorjausmenetelmä ilman kvantisointia

Jos reaktio ärsykkeeseen on oikea, vahvistusta ei tehdä, vaan virheiden ilmetessä lisätään arvo kunkin aktiivisen A-elementin painoon , jossa on vahvistusyksiköiden lukumäärä, valitaan siten, että signaalin arvo ylittää kynnyspositiivinen luokka, ja se on negatiiviseen luokkaan kuuluva ärsyke. $Si}$ ${\displaystyle \eta =\rho _{i}\Delta x_{i))$ $\Delta x_{i}$ $\rho _{i}={\begin{cases}+1,ifS_{i}^{+};\\-1,ifS_{i}^{-}.\end{cases))$ ${\displaystyle S_{i}^{+))$ $S_{i}^{-}$

Virheenkorjausmenetelmä kvantisoinnilla

Se eroaa virheenkorjausmenetelmästä ilman kvantisointia vain siinä , että se on yhtä suuri kuin yksi vahvistusyksikkö. $\Delta x_{i}=1$

Tämä menetelmä ja virheenkorjausmenetelmä ilman kvantisointia ovat samat ratkaisun saavuttamisnopeuden suhteen yleisessä tapauksessa ja ovat tehokkaampia kuin menetelmät virheenkorjaukseen satunnaismerkillä tai satunnaisilla häiriöillä .

Satunnainen vahvistusvirheen korjausmenetelmä

Se eroaa siinä, että vahvistusmerkki valitaan satunnaisesti riippumatta perceptronireaktiosta ja voi olla positiivinen tai negatiivinen yhtä suurella todennäköisyydellä. Mutta aivan kuten perusmenetelmässä - jos perceptron antaa oikean vastauksen, vahvistus on nolla. $\eta$

Virheenkorjausmenetelmä satunnaisilla häiriöillä

Se eroaa siinä, että arvo ja etumerkki jokaiselle järjestelmän yhteydelle valitaan erikseen ja itsenäisesti tietyn todennäköisyysjakauman mukaisesti. Tämä menetelmä johtaa hitain konvergenssiin verrattuna edellä kuvattuihin modifikaatioihin. $\eta$

Katso myös

Kirjallisuus

Frank Rosenblatt. Neurodynaamisen periaatteet : perceptronit ja aivojen mekanismien teoria. - M . : "Mir", 1965.

Lakhmi C. Jain; NM Martin Neuroverkkojen, sumeiden järjestelmien ja geneettisten algoritmien fuusio: teolliset sovellukset. - CRC Press, CRC Press LLC, 1998