ного шару (тобто кількість шарів нейронів між входом X і виходом OUT одно одному) штучних нейронів, з'єднаних за допомогою вагових коефіцієнтів з безліччю входів.
Вершини-кола в лівій частині малюнка служать лише для розподілу вхідних сигналів. Вони не виконують будь-яких обчислень, і тому не вважаються шаром. З цієї причини вони позначені у вигляді кола, щоб відрізняти їх від обчислює нейронів (суматорів), позначених квадратами.
В 60-ті роки перцептрони викликали великий інтерес і оптимізм. Розенблатт довів чудову теорему про навчання перцептронів. Уїдроу дав ряд переконливих демонстрацій систем перцептроном типу, і дослідники в усьому світі прагнули вивчити можливості цих систем. Первісна ейфорія змінилася розчаруванням, коли виявилося, що перцептрони не здатні навчитися вирішенню ряду простих завдань. Мінський строго проаналізував цю проблему і показав, що є жорсткі обмеження на те, що можуть виконувати одношарові перцептрони, і, отже, на те, чого вони можуть навчатися. Так як в той час методи навчання багатошарових мереж не були відомі, дослідники перейшли в більш багатообіцяючі області, і дослідження одношарових перцептронів прийшли в занепад. Нещодавнє відкриття методів навчання багатошарових мереж більшою мірою, ніж будь-який інший фактор, вплинуло на відродження інтересу і дослідницьких зусиль.
Робота Мінського, можливо, і охолодила запал ентузіастів перцептрона, але забезпечила час для необхідної консолідації та розвитку лежить в основі теорії. Важливо відзначити, що аналіз Мінськ не був спростований. Він залишається важливим дослідженням і має вивчатися, щоб помилки 60-х років не повторилися.
Теорія перцептронів є основою для багатьох інших типів штучних нейронних мереж, а самі перцептрони є логічною вихідною точкою для вивчення штучних нейронних мереж.
2. Конструкторська частина
2.1 Опис використовуваного перцептрона
Програмна реалізація моделі розпізнавання графічних образів на основі перцептрона.
class Neyron
{: X [30] [30]; k_or_t; count_edin; S; W [30] [30]; W_now [30] [30]; (); Obuchenie (int k_or_t); Raspoznanie (); Normirovka (); Show ();
}; персептрон нейронний програма графічний
Перцептрон складається з трьох типів елементів, а саме: що надходять від сенсорів сигнали передаються асоціативним елементам, а потім реагує елементам. Таким чином, перцептрони дозволяють створити набір «асоціацій» між вхідними стимулами і необхідною реакцією на виході.
Важливою властивістю будь нейронної мережі є здатність до навчання. Процес навчання є процедурою налаштування ваг і порогів з метою зменшення різниці між бажаними (цільовими) і одержуваними векторами на виході.
void Obuchenie (int k_or_t)
{(int a=0; a <30; a + +) (int b=0; b <30; b + +) [a] [b]=0; count_dots=0; (int a= 0; a <30; a + +)
{n=10; k=0; (int b=0; b <30; b + +)
{_dots=0; (int i=k; i
{l=a * 10; m=l +10; (Int j=l; j
{(Form1-> Image1-> Canvas-> Pixels [i] [j] == clBlack)
{_dots + +;
}
