§ 4.6. Персептроны

Приведенные выше алгоритмы обучения записываются в виде нелинейных разностных уравнений, имеющих, вообще говоря, переменные коэффициенты. Они соответствуют, как мы уже знаем, многосвязным импульсным системам, — обычной (непоисковой) и экстремальной (поисковой). Эти системы, реализующие алгоритмы обучения, позволяют фактически определить разделяющую функцию, а значит, и осуществить классификацию объектов. Схема такой системы приведена на рис. 4.1. Эта система состоит из функциональных преобразователей  и  множительного устройства, образующего скалярное произведение , обычного множительного устройства, усилителя с переменным коэффициентом  и дигратора. Мы не вводим специальных обозначений для множительных устройств, так как они легко различаются по тому, являются ли входные и выходные переменные векторами или скалярами. Разделяющая функция определяется на выходе устройства скалярного произведения.

Рис. 4.1.

Рис. 4.2.

В развернутой форме схема системы, реализующей алгоритм обучения, изображена на рис. 4.2. Эта схема соответствует персептрону. В отличие от оригинального вариант, предложенного Розенблатом,  здесь вместо пороговых функций использованы произвольные линейно независимые функции .

Персептроны, использующие пороговые элементы, обычно рассматриваются в качестве аналогов нервных сетей. Существует определенная связь между системами распознавания образов, нервными сетями, конечными автоматами и последовательностными машинами. Эти вопросы будут рассмотрены  в главе книги.

Наряду с обычным персептроном возможен новый и своеобразный тип персептрона — поисковый. Его схема приведена на рис. 4.3.

Рис 4.3.

Устойчивость персептронов, т. е. факт сходимости процесса обучения, не связана с видом функций , но существенно зависит от них.

Интересен тот факт, что существует возможность построения персептронов не только на пороговых элементах, а на любых линейно независимых функциональных преобразователях.