Правило обучения Хебба, также известное как правило обучения Хебба, было предложено Дональдом О Хеббом. Это одно из первых, а также самых простых правил обучения в нейронной сети. Он используется для классификации шаблонов. Это однослойная нейронная сеть, то есть она имеет один входной слой и один выходной слой. Входной слой может иметь много единиц, скажем, n. Выходной слой имеет только один модуль. Правило Хебба работает путем обновления весов между нейронами в нейронной сети для каждой обучающей выборки.
Алгоритм правила обучения Хеббиана:
1.Установите все веса на ноль, wi = 0 для i = от 1 до n и смещение на ноль.
2.Для каждого входного вектора S(входной вектор): t(целевая выходная пара) повторите шаги 3-5.
3.Установите активации для входных единиц с входным вектором Xi = Si для i = от 1 до n.
4.Установите соответствующее выходное значение для выходного нейрона, т.е. y = t.
5.Обновите вес и смещение, применив правило Хебба для всех значений от i = 1 до n:
Смотри далее сам рассчет https://informatics-ege.blogspot.com/2022/09/hebbian-learning-rule-with.html
Исходный пример и выход :
Рассчет приводит к NN с весами посчитанными по Хеббу
Теория Хебба, также правило Хебба и теория нейронных (клеточных) ансамблей — нейронаучная теория, утверждающая, что увеличение синаптической эффективности возникает в результате постоянно повторяющейся стимуляции пресинаптическо... Читать далее