感知器的学习算法
《感知器的学习算法》由会员分享,可在线阅读,更多相关《感知器的学习算法(2页珍藏版)》请在装配图网上搜索。
1、感知器的学习算法1离散单输出感知器训练算法设网络输入为n维向量X =(x ,x,,x),网络权值向量为W = 6),7、)01n-101n-1样本集为AX ,d ),神经元激活函数为f,神经元的理想输出为d,实际输出为y。ii算法如下:Stepl:初始化网络权值向量W ;Step2:重复下列过程,直到训练完成:(2.1) 对样本集中的每个样本(X,d),重复如下过程:(2.1.1 )将X输入网络;(2.1.2) 计算 y = f (WX T);(2.1.3) 若y 丰 d,则当y = 0时,W = W +a - X ;否则W = W -a - X。2离散多输出感知器训练算法设网络的n维输入向量
2、为X =(x ,x,,x ),网络权值矩阵为W= i ,网络理想输出向量为m维,即D =(d ,d,,d),样本集为Kx ,D),神经元激活函数为f,0 1m -1i i网络的实际输出向量为Y = G , y,,y ) O0 1m -1算法如下:Step1:初始化网络权值矩阵W ;Step2:重复下列过程,直到训练完成:(2.1) 对样本集中的每个样本(X,D),重复如下过程:(2.1.1) 将X输入网络;(2.1.2) 计算Y = f (XWT);(2.1.3) 对于输出层各神经元j ( j = 0,1,m-1 )执行如下操作:若 y 丰 d,则当 y = 0 时,wx, i = 0,1,,
3、n 一 1 ;j jjjijii否则w = w -a - x, i = 0,1,,n -1。jijii3连续多输出感知器训练算法设网络的n维输入向量为X = (x ,x,,x ),网络权值矩阵为W=丨,网络理/0 1、 n-1/mxnji、想输出向量为m维,即D = Q ,d,,d),实际输出向量Y =(y,y,,y ),样本集0 1m -10 1m-1为X ,D),神经元激活函数为f,为训练的精度要求。ii算法如下:Stepl:初始化网络权值矩阵W (小的伪随机数);Step2:设置精度控制参数,学习率,设精度控制变量 =+1 ;Step3:若 ,重复下列过程:(3.1) 令 二 0 ;(3.2) 对样本集中的每个样本(X,D),重复如下过程:(3.2.1) 将 X 输入网络;(3.2.2) 计算Y = f (XWt);(3.2.3) 按如下方法修改网络权值:co =+ a (d y )x , j 二 0,1, ,m 1, i 0,1, ,n 1jijij j i(3.2.4) 计算累积误差: +(d y )2, j 0,1,,m 一1jj
- 温馨提示:
1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。