- •Федеральное агентство по образованию
- •Оглавление
- •Глава 1. Основные понятия искусственного интеллекта
- •§ 1.1. Основные термины и определения
- •§ 1.2. История развития систем ии
- •§ 1.3. Направления развития искусственного интеллекта
- •§ 1.4. Основные направления развития и применения
- •Вопросы для самоконтроля
- •Глава 2. Положения теории нечетких множеств
- •§ 2.1. Нечеткое множество. Операции над нечеткими множествами
- •§ 2.1.1. Основные операции над нечеткими множествами.
- •§ 2.2. Построение функции принадлежности
- •§ 2.2.1. Некоторые методы построения функции принадлежности.
- •§ 2.3. Нечеткие числа
- •§ 2.4. Операции с нечеткими числами (l-r)-типа
- •§ 2.5. Нечеткая и лингвистическая переменные
- •§ 2.6. Нечеткие отношения
- •§ 2.7. Нечеткая логика
- •§ 2.8. Нечеткие выводы
- •§ 2.9. Автоматизация обработки информации с использованием
- •Вопросы для самоконтроля
- •Глава 3. Основные интеллектуальные системы
- •§ 3.1. Данные и знания
- •§ 3.2. Модели представления знаний
- •Представление знаний
- •Классификация знаний
- •§ 3.3.1. Продукционные правила.
- •§ 3.3.2. Фреймы.
- •§ 3.3.3. Семантические сети.
- •Вопросы для самоконтроля
- •§ 3.4. Экспертные системы. Предметные области
- •§ 3.5. Назначение и область применения экспертных систем
- •§ 3.6. Методология разработки экспертных систем
- •§ 3.7. Основные экспертные системы
- •§ 3.8. Трудности в разработке экспертных систем и пути их
- •Вопросы для самоконтроля
- •§ 3.9. Назначение, классификация роботов
- •§ 3.10. Примеры роботов и робототехнических систем
- •§ 3.10.1. Домашние (бытовые) роботы.
- •§ 3.10.2. Роботы спасатели и исследовательские роботы.
- •§ 3.10.3. Роботы для промышленности и медицины.
- •§ 3.10.4. Военные роботы и робототехнические системы.
- •§ 3.10.5. Мозг как аналого-цифровое устройство.
- •§ 3.10.6. Роботы – игрушки.
- •§ 3.11. Проблемы технической реализации роботов
- •Вопросы для самоконтроля
- •§ 3.12. Адаптивные промышленные роботы
- •§ 3.12.1. Адаптация и обучение.
- •§ 3.12.2. Классификация адаптивных систем управления
- •§ 3.12.3. Примеры адаптивных систем управления роботами.
- •§ 3.12.4. Проблемы в создании промышленных роботов.
- •Вопросы для самоконтроля
- •§ 3.13. Нейросетевые и нейрокомпьютерные технологии
- •§ 3.13.1. Общая характеристика направления.
- •§ 3.13.2. Нейропакеты.
- •Вопросы для самоконтроля
- •§ 3.14. Нейронные сети
- •§ 3.14.1. Персептрон и его развитие.
- •3.14.1.1. Математический нейрон Мак-Каллока-Питтса.
- •3.14.1.2. Персептрон Розенблатта и правило Хебба.
- •3.14.1.3. Дельта-правило и распознавание букв.
- •3.14.1.4. Адалайн, мадалайн и обобщенное дельта-правило.
- •§ 3.14.2. Многослойный персептрон и алгоритм обратного
- •§ 3.14.3. Виды активационных функций.
- •Вопросы для самоконтроля
- •Список литературы
- •Основы искусственного интеллекта
3.14.1.2. Персептрон Розенблатта и правило Хебба.
У.Мак-Каллок и В.Питтс предложили конструкцию сети из математических нейронов и показали, что такая сеть в принципе может выполнять числовые и логические операции. Далее они высказали идею о том, что сеть из математических нейронов в состоянии обучаться, распознавать образы, обобщать, т.е. она обладает свойствами человеческого интеллекта.
Идея Мак-Каллока—Питтса была материализована в 1958 г. Фрэнком Розенблаттом сначала в виде компьютерной программы для ЭВМ IBM-794, а затем, спустя два года, в виде электронного устройства, моделирующего человеческий глаз. Это устройство, имеющее в качестве элементной базы модельные нейроны Мак-Каллока-Питтса и названное персептроном, удалось обучить решению сложнейшей интеллектуальной задачи — распознаванию букв латинского алфавита. Таким образом, удалось проверить основные гипотезы функционирования человеческого мозга и сам механизм его обучаемости.
Разберем принцип действия персептрона на примере решения конкретных задач. Если на фотоэлемент попадает какой-либо фрагмент цифры, то данный фотоэлемент вырабатывает сигнал в виде двоичной единицы, в противном случае — нуль. Согласно формулам (3.1) - (3.3) персептронный нейрон выполняет суммирование входных сигналов xj, помноженных на синаптические веса wj, первоначально заданные датчиком случайных чисел. После этого сумма сравнивается с порогом чувствительности 0, также заданным случайным образом. Цель обучения персептрона состоит в том, чтобы выходной сигнал у был равен единице, если на карточке была изображена четная цифра, и нулю, если цифра была нечетной.
Эта цель достигается путем обучения персептрона, заключающемся в корректировке весовых коэффициентов wj. Можно сформулировать следующий итерационный алгоритм корректировки весовых коэффициентов, обеспечивающий обучение персептрона в нужном направлении.
Шаг 1. Подать входной образ и вычислить выход персептрона у.
Шаг 2,а. Если выход правильный, то перейти на шаг 1.
Шаг 2,б. Если выход неправильный и равен нулю, то увеличить веса активных входов, например добавить все входы к соответствующим им весам: wj(t+1)=wj(t)+ xj.
Шаг 2,в. Если выход неправильный и равен единице, то уменьшить веса активных входов, например вычесть каждый вход из соответствующего ему веса: wj(t+1)=wj(t)-xj.
Шаг 3. Перейти на шаг 1 или завершить процесс обучения.
В приведенном здесь алгоритме шаг 2,б называют первым правилом Хебба, а шаг 2,в — вторым правилом Хебба, в честь ученого, предложившего этот алгоритм в 1949 г. Отметим, что правила Хебба удивительным образом напоминают процесс обучения ребенка методом поощрения - наказания или дрессировки животного методом «кнута и пряника». Как и в случаях с ребенком и животным, алгоритм обучения персептрона за конечное число попыток (итераций, или эпох) может привести к цели — персептрон научится различать четные и нечетные цифры.
Возникает вопрос: «Всегда ли алгоритм обучения персептрона приводит к желаемому результату?». Ответ на этот вопрос дает теорема сходимости персептрона, формулируемая следующим образом.
Если существует множество значений весов, которые обеспечивают конкретное различение образов, то в конечном итоге алгоритм обучения персептрона приводит либо к этому множеству, либо к эквивалентному ему множеству, такому, что данное различение образов будет достигнуто.
Интересно отметить, что по числу выполненных доказательств теорема сходимости персептрона занимает одно из первых мест в мире. Ранее самой доказанной в мире теоремой считалась теорема Пифагора.