Zum bekanntesten Netzwerkmodell zählt das Perzeptron-Modell, welches zur Klasse der so genannten Musterassoziatoren gehört, wessen prinzipielle Arbeitsweise darin besteht, einen Eingabevektor in einen Ausgabevektor umzuwandeln. Das Perzeptron wurde 1958 erstmalig von Frank Rosenblatt vorgestellt und ist ein vereinfachtes Neuronenmodell, welches in der Grundversion aus einem einzelnen künstlichen Neuronen mit Gewichtungen und einem Schwellwert besteht.
Ein Perzeptron besitzt nur eine Neuronenschicht aus m Neuronen bestehend, welche jeweils n Eingänge (abhängig vom Eingabevektor) und einen Ausgang besitzt. Die Eingänge sind also die Inputvektoren mit seinen n Komponenten. Musterassoziatoren zeichnen sich dadurch aus, dass sie Abbildungsrelationen zwischen Muster der Eingangsschicht und Muster der Ausgangsschicht erlernen. Bestünde beispielsweise die Menge der Eingangsmuster aus durch eine Videokamera aufgenommenen Gesichtsfragmenten, könnte das dazugehörige Zielmuster eine Assoziation des vollständigen Gesichtes mit Daten, wie Name und Anschrift sein.
Das den feed-forward Netzwerken zugehörige Perzeptron besitzt also nur Verbindungen, die Impulse in nur eine Richtung übertragen können. Es ist also nur möglich, Impulse von Neuronen der ersten an Neuronen der zweiten Schicht zu übersenden.
Das Modell von Rosenblatt basiert auf der Neuronenvorstellung von Mc-Culloch und Pitts (Neuronen als boolsche Operatoren) und ist ein Netz mit veränderbaren Verbindungen.
Darstellung eines Perzeptrons
Das Perzeptron besteht aus drei verschiedenen Verarbeitungseinheiten. Die Sensoreinheit (S-Unit) wandelt die ankommende physikalische Größe in einen für das Perzeptron verarbeitbaren Wert um. Die Assoziationseinheit (A-Unit), auch logische Einheit genannt, erzeugt eine Ausgabe, wenn ihre Eingänge einen Schwellenwert überschreiten. Die Ergebniseinheit (R-Unit, respond unit), manchmal auch die Perzeptronschicht genannt, welche das Resultat des Perzeptrons an die Umgebung weiterleitet.
S bezeichnet den fest vorgegebenen Schwellenwert, o die Ausgabe und x den Eingabevektor. Wie in der Darstellung ersichtlich wird, waren die Wichtungen an den Eingängen noch irrelevant. Daher kommt der Begriff „statisches Neuron“, da keine Selbstmodifikation und damit auch keine Lernmöglichkeit vorgesehen war.
Weiter zu » Single Layer Perzeptron