АПРОКСИМАЦІЯ ІНДИКАТОРНИХ ФУНКЦІЙ У КОНТЕКСТІ ЙМОВІРНІСНОГО ДИСКРЕТНОГО ПЕРЦЕПТРОНА

Анотація

Одним із перспективних варіантів застосування перцептронних структур, як самостійних цифрових компонентів,які реалізуються на функціях кореляції та згортки, є опрацювання сигналів і потокових даних. Зокрема у контексті задач розпізнавання шаблонів, виявлення гармонійних та періодичних складових і т.д. Основні аспекти властивості дискретного перцептрона можна застосовувати для вирішення задач розпізнавання різних типів сигналів за їх формою, виявлення частотних компонентів сигналу, що є елементом спектрального аналізу, динамічного налаштування параметрів фільтрації тощо. В загальному випазку перцептрон можна розглядати як окремий самодостатній компонент функціонал якого може змінюватись в залежності від вирішуваної задачі, однак структурні, схемні, алгоритмічні та програмні рішення такого компоненту залишаються незмінними. Фактично це цифровий компонент, який може бути навчений на наборах даних, які містять як необхідні інформаційні ознаки та можливі варіанти їх спотворень і застосований для опрацювання сигналів чи даних спеціалізований компонент комп’ютерної системи.

У матеріалах статті розглянуто особливості реалізації перцептронів, який базується на використанні ймовірнісних оцінок дискретних синаптичних сигналів, що попередньо зазнали зміщення. Показано ключові аспекти агрегації дискретних вхідних сигналів, щ реалізуються на операція додання та ймовірнісного оцінювання. Крім того, запропоновано методи апроксимації активаційних функцій, що забезпечують гладкість і диференційованість, необхідні для ефективного навчання нейронних мереж. В ході досліджень встановлено, що використання статистичних оцінок дозволяє значно зменшити обчислювальні витрати, підвищити ефективність опрацювання сигналів та прискорити процес навчання. Отримані результати мають перспективу для використання у комп’ютерних системах та компонентах, що вирішують різноманітні прикладні задачі, зокрема опрацювання сигналів, потокових даних тощо.