2.1.1 パーセプトロン

階層型ネットワークの例としてパーセプトロンについて見ていくことにしましょう。

パーセプトロンは1958年にローゼンブラットが発表した学習パターン識別機です。 これはニューロンの発火に関連したシナプスの伝達効率は増加するとい うヘブの学習則をニューラルネットワークモデルに組み込んだものでした。 ニューロンモデルでは、このことを結合荷重の値を大きくすることで表しています。

また、パーセプトロンは入力された図形を識別したときに、その答えが正解か 誤りかによってシナプスの伝達効率を変化させる学習機能もありました。 それでは、このパーセプトロンの動作と学習について学んでいくことにしましょう。

ローゼンブラットがつくったパーセプトロンは、次の図のようなものです。



  • 入力層、中間層、出力層の3層構造をもっている。
  • 入力、出力のパターンは「0」か「1」である。(出力関数は階段関数)
  • データの流れは入力層から出力層への1方向である。
  • 中間層の結合荷重は固定である。
  • 各層の伝送時間は0である。

出力層のユニットが1つだけのものを特に単純パーセプトロンという。

さきほどのニューロンモデルを階層構造状に並べただけですから、 ある入力に対する出力を求める方法は、ネット値としきい値の処理でできますね。

それでは、学習はどのようにしているのでしょうか? パーセプトロンでは、 入力データを入れて出てきた出力を教師信号と比較して、違っているときは 結合荷重としきい値変更するという作業をしています。 この操作のことを学習といいます。

教師信号とは簡単にいえば正解のことです。 ニューラルネットワークでは、 ある入力に対してネットワークが正解を出すように学習させる必要があります。




Copyright(c) Iwata-Lab. N.I.T. All rights reserved.