domenica 3 agosto 2008

RETI NEURONALI: PERCEPTRON

di: Oscar Bettelli
Esiste una classe di reti neurali nota come perceptron, anche se forse è meglio parlare di nodo di tipo perceptron. Tale nodo fu inventato dallo psicologo Rosenblatt verso la fine degli anni '50 e rappresenta il suo tentativo di illustrare alcune delle proprietà fondamentali dei sistemi intelligenti in generale, senza andare particolarmente a fondo relativamente alle speciali (e fondamentalmente sconosciute) condizioni reali di organismi biologici particolari.

La rete di Rosemblatt, il "photoperceptron", doveva essere in grado di classificare pattern in ingresso distinti, simulando quello che avviene nella retina dell'occhio. Si trattava quindi di un problema di separabilità: il risultato che ottenne si può riassumere dicendo che è possibile costruire un perceptron che distingue con successo tra differenti classi di patterns in ingresso, anche se bisogna dire che debbono essere soddisfatte certe condizioni di base.

Il perceptron

Il perceptron è un dispositivo che apprende. Inizialmente incapace di distinguere alcunché, dopo un adatto tempo di apprendimento diviene in grado di distinguere le classi di appartenenza dei patterns in ingresso. Il lavoro di Rosemblatt ha portato alla dimostrazione di un importante risultato, noto come "Teorema della convergenza del perceptron", che è dimostrato per un perceptron con una sola unità di output, che apprende a classificare patterns di due distinte classi. Esso afferma che, se una classificazione può essere appresa da un perceptron, allora la procedura di addestramento della rete garantisce che il processo di apprendimento termina in un numero finito di cicli di apprendimento.

Il perceptron

Elemento costitutivo di una rete tipo perceptron è il PE (processing element), che non è altro che un neurodo con le seguenti caratteristiche:

- gli ingressi sono binari (0 o 1)
- i pesi sono tutti nell'intervallo [0,1] e tali che la loro somma dà 1 (sono normalizzati a 1)
- il net è la somma pesata degli ingressi
- la funzione di attivazione è la funzione identica
- la funzione di uscita è il gradino binario centrato in una soglia s:
Xi = 1 se ai >=s
Xi = 0 se ai

Nessun commento: