Персептрон - définition. Qu'est-ce que Персептрон
Diclib.com
Dictionnaire ChatGPT
Entrez un mot ou une phrase dans n'importe quelle langue 👆
Langue:

Traduction et analyse de mots par intelligence artificielle ChatGPT

Sur cette page, vous pouvez obtenir une analyse détaillée d'un mot ou d'une phrase, réalisée à l'aide de la meilleure technologie d'intelligence artificielle à ce jour:

  • comment le mot est utilisé
  • fréquence d'utilisation
  • il est utilisé plus souvent dans le discours oral ou écrit
  • options de traduction de mots
  • exemples d'utilisation (plusieurs phrases avec traduction)
  • étymologie

Qu'est-ce (qui) est Персептрон - définition

МОДЕЛЬ ВОСПРИЯТИЯ ИНФОРМАЦИИ МОЗГОМ, ПРЕДЛОЖЕННАЯ ФРЭНКОМ РОЗЕНБЛАТТОМ И РЕАЛИЗОВАННАЯ В ВИДЕ ЭЛЕКТРОННОЙ МАШИНЫ «МАРК-1»
Персептрон
  • классификации]] объектов. Зелёная линия — граница классов.
  • Некоторые задачи, которые перцептрон не способен решить: 1, 2 — преобразования группы переносов; 3 — из какого количества частей состоит фигура? 4 — внутри какого объекта нет другой фигуры? 5 — какая фигура внутри объектов повторяется два раза? (3, 4, 5 — задачи на определение «связности» фигур.)
  • обучающегося агента]] со средой. Важной частью такой системы являются обратные связи.
  • Архитектура многослойного перцептрона (обоих подтипов).
  • Логическая схема перцептрона с тремя выходами
  • Решение элементарным перцептроном «задачи XOR». Порог всех элементов <math>\theta</math> = 0.
  • Поступление сигналов с сенсорного поля в решающие блоки элементарного перцептрона в его физическом воплощении
  • Фрэнк Розенблатт со своим творением — «Марк-1»
  • Пороговая функция, реализуемая простым R-элементом
  • Логическая схема элементарного перцептрона. Веса S—A связей могут иметь значения −1, +1 или 0 (то есть отсутствие связи). Веса A—R связей W могут быть любыми
  • искусственного нейрона]] — базового элемента любой нейронной сети
  • Пороговая функция, реализуемая простыми S- и A-элементами

Персептрон         

перцептрон (англ. perceptron, нем. Perzeptron, от лат. perceptio - понимание, познавание, восприятие), математическая модель процесса восприятия (См. Восприятие). Сталкиваясь с новыми явлениями или предметами, человек их узнаёт, то есть относит к тому или иному понятию (классу). Так, мы легко узнаём знакомых, даже если они изменили причёску или одежду, можем читать рукописи, хотя каждый почерк имеет свои особенности, узнаём мелодию в различной аранжировке и т.д. Эта способность человека и получила название феномена восприятия. Человек умеет на основании опыта вырабатывать и новые понятия, обучаться новой системе классификации. Например, при обучении различению рукописных знаков ученику показывают рукописные знаки и сообщают, каким буквам они соответствуют, то есть к каким классам эти знаки относятся; в результате у него вырабатывается умение правильно классифицировать знаки.

Считают, что восприятие осуществляется при помощи сети Нейронов. Модель восприятия (персептивная модель) может быть представлена в виде трёх слоев нейронов: рецепторного слоя (S), слоя преобразующих нейронов (А) и слоя реагирующих нейронов (R) (рис.). Нейрон (согласно наиболее простой модели Мак-Каллока - Питса)- это нервная клетка, которая имеет несколько входов и один выход. Входы могут быть либо возбуждающие, либо тормозные. Нейрон возбуждается и посылает импульс в том случае, если число сигналов на возбуждающих входах превосходит число сигналов на тормозных входах на некоторую величину, называемую порогом срабатывания нейрона. В зависимости от характера внешнего раздражения в S-слое образуется некая совокупность импульсов (сигналов), которые, распространяясь по нервным путям, достигают нейронов А-слоя, где в соответствии с совокупностью пришедших импульсов образуются новые импульсы, поступающие на входы нейронов R-слоя. В нейронах А-слоя суммируются входные сигналы с одним и тем же коэффициентом усиления (возможно с разными знаками), в нейронах же R-слоя суммируются сигналы с различными как по величине, так и по знаку коэффициентами. Восприятие какого-либо объекта соответствует возбуждению определённого нейрона R-слоя. Считают, что коэффициент усиления реагирующих нейронов подобраны так, что различным объектам одного класса соответствуют совокупности импульсов, возбуждающие один и тот же нейрон R-слоя. Формирование нового понятия заключается в установлении коэффициента усиления соответствующего реагирующего нейрона.

В 1957 американский учёный Ф. Розенблатт построил техническую модель зрительного анализатора, названную им П. "Марк-1". В П. "Марк-1" моделью рецепторного нейрона служил Фотоэлемент, моделью преобразующего нейрона - Пороговый элемент с коэффициентом усиления ±1, а моделью реагирующего нейрона - пороговый элемент с настраиваемыми коэффициентами. Входы пороговых элементов А-слоя соединялись с фотоэлементами случайно. П. Розенблатта предназначался для работы в режиме эксплуатации и режиме обучения. В режиме эксплуатации П. классифицировал предъявленные ему ситуации; если из всех R-элементов возбуждался только Ri-элемент, то ситуация относилась к i-тому классу. В ходе обучения по последовательности предъявляемых для обучения примеров вырабатывались коэффициент усиления пороговых элементов R-слоя.

П. "Марк-1" был первой из немногих технических моделей восприятия. В дальнейшем процесс восприятия исследовался методами моделирования на ЦВМ. В 60-х гг. П., или персептивными схемами, стали называть модели восприятия, в которых различают три части: воспринимающую часть, преобразующую часть и реагирующие пороговые элементы. Воспринимающая часть ставит в соответствие каждому объекту вектор x̅, который преобразующей частью переводится в вектор y̅. Вектор относят к j-тому классу, если соответствующая взвешенная сумма реагирующего Rj-элемента превосходит его порог срабатывания. Математическое исследование персептронных схем связано с задачей обучения распознаванию образов (См. Распознавание образов), где выясняется, как должна быть построена преобразующая часть и каков алгоритм установления коэффициента усиления R-элементов в режиме обучения.

Лит.: Розенблатт Ф., Принципы нейродинамики, пер. с англ., М., 1965; Минский М., Пейперт С., Персептроны, пер, с англ., М., 1971; Вапник В. Н., Червоненкис А. Я., Теория распознавания образов, М., 1974.

В. Н. Вапник.

Простейшая структурная схема персептивной модели (персептрона): S-элементы - рецепторы (рецепторный слой нейронов); А-элементы - преобразующие нейроны; R-элементы - реагирующие нейроны. Стрелками показаны направления распространения импульсов по нервным связям.

ПЕРСЕПТРОН         
а, м., психол.
Модель процесса восприятия, осуществляемого при помощи сети нейронов. | П. применяется в системах распознавания образов.
ПЕРСЕПТРОН         
(англ. perseptron, от лат. perseptio - восприятие), устройство, моделирующее процесс восприятия; впервые предложено американским ученым Ф. Розенблаттом (F. Rosenblatt) в 1957 (зрительный анализатор "Марк-1"). Впоследствии персептроном стали называть системы (часто на базе электронно-вычислительных машин) для решения задач, связанных с распознаванием образов.

Wikipédia

Перцептрон

Перцептро́н, или персептрон (англ. perceptron от лат. perceptio — восприятие; нем. Perzeptron) — математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1958 году и впервые реализованная в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером.

Перцептрон состоит из трёх типов элементов, а именно: поступающие от датчиков сигналы передаются ассоциативным элементам, а затем - реагирующим элементам. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными стимулами и необходимой реакцией на выходе. В биологическом плане это соответствует преобразованию, например, зрительной информации в физиологический ответ от двигательных нейронов. Согласно современной терминологии, перцептроны могут быть классифицированы как искусственные нейронные сети:

  1. с одним скрытым слоем;
  2. с пороговой передаточной функцией;
  3. с прямым распространением сигнала.

На фоне роста популярности нейронных сетей в 1969 году вышла книга Марвина Минского и Сеймура Паперта, которая показала принципиальные ограничения перцептронов. Это привело к смещению интереса исследователей искусственного интеллекта в противоположную от нейросетей область символьных вычислений. Кроме того, из-за сложности математического исследования перцептронов, а также отсутствия общепринятой терминологии, возникли различные неточности и заблуждения.

Впоследствии интерес к нейросетям, и в частности, работам Розенблатта, возобновился. Так, например, сейчас стремительно развивается биокомпьютинг, который в своей теоретической основе вычислений, в том числе, базируется на нейронных сетях, а перцептрон воспроизводят на основе бактериородопсин-содержащих плёнок.

Exemples du corpus de texte pour Персептрон
1. Розенблатт вместо манипулирования словами с помощью программ на Лиспе попытался смоделировать работу нейронов человеческого мозга, создав персептрон - программу, которая училась распознавать образы (например, буквы). Ученые против ученых Военным были интересны персептроны, например, для распознавания силуэтов летящих самолетов.