ОБМЕЖЕННЯ МНОЖИНИ МОЖЛИВИХ РІШЕНЬ ДЛЯ ДИСКРЕТНОГО ПЕРЦЕПРОНА ЗІ ЗМІЩЕНИМИ СИНАПТИЧНИМИ СИГНАЛАМИ ПРИ ЕМУЛЯЦІЇ БІНАРНИХ ЛОГІЧНИХ ФУНКЦІЙ

Анотація

Традиційно перцептрони є основним компонентом для багатьох сучасних моделей нейронних мереж. Відомо, що базовий дискретний перцептрон придатний лише для лінійно роздільних задач, фактично теоретичні дослідження, у своїй більшості, спрямовані на дослідження багатошарових перцептронів (MLP) а також глибоких нейронних мереж, які здатні працювати з нелінійними задачами. Тут основним напрямком є вдосконалення процесу машинного навчання, зокрема в частині пошуку прийнятних рішень на обмежених даних. Теоретичний аналіз дозволяє зрозуміти, скільки навчальних зразків потрібно для ефективного навчання і наскільки добре модель буде працювати на нових наборах даних. Перцептрон зазвичай розглядається як порівняно проста модель, що є наближеною інформаційною аналогією біологічного нейрону. Фактично цифрова модель перцептрону базується на основі кореляційного підходу щодо опрацювання вхідних сигналів з подальшим використання функції активації. Іншими словами агрегація вхідних синалів перцептрона реалізується як сума добутків цих сигналів з відповідними ваговими коефіцієнтами. Функції автокореляції в такому випадку відіграють ключову роль, дозволяючи встановити залежність між вхідними сигналами синапсів та цільовими значеннями, які система намагається ідентифікувати та класифікувати. Зокрема, кореляційний підхід дає змогу визначити, які вхідні сигнали синапсів формують найбільший вплив на результат опрацювання, що покращує навчання моделі. Однак, кореляція ґрунтується на використанні операції множення, що суттєво ускладнює схемні рішення перцептронних структур.

Доцільно зазначити, що часто поза увагою залишається такий напрямок розвитку як вдосконалення та розширення функціоналу структури перцептрону, зокрема в частині переходу до дискретного базису. Вивчення обмежень перцептронних структур та можливих способів їх подолання, зокрема застосування нових підходів до структурної організації, залучення різних функцій активації а також через використання багатошарових структур,може дати можливість створювати більш ефективні інструменти для вирішення задач класифікації та прогнозування.