В заключение этого раздела рассмотрим несколько примеров обучаемых опознающих систем.

В качестве первого примера возьмем простую обучающуюся опознающую систему матричного типа. Функционально ее простота определяется линейностью решающего правила, а структурно – тем, что организация систем матричного типа давно и достаточно хорошо отработана в технике. С помощью матриц решаются многие задачи кодирования и декодирования сигналов. Матричную структуру имеют постоянные запоминающие устройства на сопротивлениях, конденсаторах,

Положение верхних переключателей показывает, что на вход матрицы поступил набор признаков 01010, характеризующий третий класс входных сигналов. Компаратор оценивает величину сигнала на каждой из выходных горизонтальных шин. Нетрудно проследить, что при равных значениях проводимости каждой связи максимальный ток будет на третьей горизонтальной шине. Поэтому на выходе компаратора появится единичный выходной сигнал только на шине.

Разница сигналов на горизонтальных шинах, поступающих на компаратор, измеряется как расстояние в хемминговом пространстве между вершинами единичного гиперкуба, координаты которых записаны в приведенной выше структурной матрице устройства.

Фактически рассмотренную обучаемую матрицу можно было бы представить и в ином виде, выразив основные структурные закономерности ее организации с помощью сети нейроноподобных элементов. Более естественная нейрологическая интерпретация характерна для другой, широко известной опознающей и самоорганизующейся системы, которую часто называют «перцептроном», хотя существует тенденция называть перцептронами довольно широкий класс опознающих систем. Перцептрон – родоначальник опознающих систем, синтезируемых из аналогов нейронов, разработан Ф. Розенблаттом, который сформулировал в качестве исходных предпосылок следующие три факта организации и функционирования центральных частей анализатора. Во-первых, в соответствии с данными нейрофизиологии, связи между нейронами мозга носят случайный, а не детерминированный характер. Во-вторых, функции памяти распределены в мозгу и это распределение является случайным. В-третьих, животное, имеющее мозг, приобретает свойство тонко анализировать окружающую обстановку не вследствие наследственной способности, а в результате обучения и накопления опыта.

В теории перцептронов, сформулированной Ф. Розенблаттом, принципиально новым является то, что в ней заранее отказываются от полностью безошибочного решения и вместо этого вводится понятие вероятности достижения приемлемого решения. Всякого рода случайности снижают вероятность получения правильного ментам связи между нейронами, т. е. распределена в синапсах нейронов.

Обучение перцептрона протекает по той или иной схеме, но всегда для поведения перцептрона характерен не заранее заданный логический алгоритм, а постепенно создающееся смещение характеристик в нужную сторону.

Первый слой образуют рецепторные нейроны, которые соединены случайными связями с центральными нейронами. Последние образуют второй слой и связаны в свою очередь случайными связями с эффекторными нейронами третьего слоя. Свойства многослойных нейронных структур со случайными связями до сих пор не поняты полностью. Не существует строгих определений, связанных с синтезом этих сетей, нет оценок их возможностей, строгих обоснований правил их обучения. Известны отдельные теоремы и утверждения из теории перцептрона, но они либо небезукоризненны, либо касаются отдельных частных вопросов анализа или синтеза перцептронов. Вместе с тем широко распространено убеждение в том, что именно такие сети могут быть полезны для опознания сложных сигналов. Хотя каждый из нейронов в отдельности реализует простейшую решающую функцию – линейную гиперповерхность, нейронная многослойная сеть способна к формированию сложнейших разделяющих поверхностей в многомерных пространствах.

Предыдущая глава: Обучение бионических систем опознанию образов

Следующая глава: Особенности опознания образов в бионике моря