Fejlretningsmetode

Fejlkorrektionsmetoden er en perceptronindlæringsmetode foreslået af Frank Rosenblatt . Det er en indlæringsmetode, hvor vægten af forbindelsen ikke ændres, så længe perceptronens aktuelle reaktion forbliver korrekt. Når der opstår en forkert reaktion, ændres vægten med én, og tegnet (+/-) bestemmes modsat fortegn for fejlen.

Metodeændringer

I perceptronkonvergenssætningen skelnes der mellem forskellige typer af denne metode, det er bevist, at enhver af dem gør det muligt at opnå konvergens ved løsning af ethvert klassifikationsproblem.

Fejlkorrektionsmetode uden kvantisering

Hvis reaktionen på stimulus er korrekt, så indføres der ingen forstærkning, men når der opstår fejl, lægges værdien til vægten af hvert aktivt A-element , hvor er antallet af forstærkningsenheder, vælges således at signalværdien overstiger den positive tærskelklasse , og er en stimulus, der tilhører den negative klasse. $S_{i}$ ${\displaystyle \eta =\rho _{i}\Delta x_{i))$ $\Delta x_{i}$ $\rho _{i}={\begin{cases}+1,ifS_{i}^{+};\\-1,ifS_{i}^{-}.\end{cases))$ ${\displaystyle S_{i}^{+))$ $S_{i}^{-}$

Fejlkorrektionsmetode med kvantisering

Den adskiller sig kun fra fejlkorrektionsmetoden uden kvantisering ved , at den er lig med en forstærkningsenhed. $\Delta x_{i}=1$

Denne metode og metoden til fejlkorrektion uden kvantisering er de samme med hensyn til hastigheden for at nå en løsning i det generelle tilfælde og er mere effektive end metoderne til fejlkorrektion med et tilfældigt fortegn eller tilfældige forstyrrelser .

Tilfældig forstærkningsfejlkorrektionsmetode

Det adskiller sig ved, at forstærkningstegnet er valgt tilfældigt uanset perceptronreaktionen og kan være positivt eller negativt med lige stor sandsynlighed. Men ligesom i grundmetoden - hvis perceptronen giver den korrekte respons, så er forstærkningen nul. $\eta$

Fejlkorrektionsmetode med tilfældige forstyrrelser

Det adskiller sig ved, at værdien og fortegn for hver forbindelse i systemet vælges separat og uafhængigt i overensstemmelse med en vis sandsynlighedsfordeling. Denne metode fører til den langsomste konvergens sammenlignet med modifikationerne beskrevet ovenfor. $\eta$

Se også

Litteratur

Frank Rosenblatt. Principper for neurodynamisk: perceptroner og teorien om hjernemekanismer. - M . : "Mir", 1965.

Lakhmi C. Jain; NM Martin Fusion af neurale netværk, fuzzy systemer og genetiske algoritmer: industrielle applikationer. - CRC Press, CRC Press LLC, 1998