《前饋神經(jīng)網(wǎng)絡模型》ppt課件-文庫吧
2024-12-24 04:23 本頁面
【正文】 * * * O * * O * * O O * O x2 * * O O O x3感知器的功能 (3) 設輸入向量 X=(x1， x2,… ， xn)T 則由方程 w1jx1+w2jx2+…+w nj –Tj=0 () 確定了 n維空間上的一個分界平面。 輸出： w1jx1+w2jx2+…+w nj –Tj=0 () 例一 用感知器實現(xiàn)邏輯 “ 與 ” 功能 x1 x2 y 0 0 0 0 1 0 1 0 0 1 1 1 邏輯“與”真值表 例一 用感知器實現(xiàn)邏輯 “ 與 ” 功能 感知器結構 x 1 ○ 0 . 5 0 . 5 ○ y x 2 ○ 0 . 7 5 1wix1+w2x2 T=0 +=0 例二 用感知器實現(xiàn)邏輯 “ 或 ” 功能 x1 x2 y 0 0 0 0 1 1 1 0 1 1 1 1 邏輯“或”真值表 例二 用感知器實現(xiàn)邏輯 “ 或 ” 功能 感知器結構 x 1 ○ 1 1 ○ y x 2 ○ 0 . 5 1wix1+w2x2 T=0 x1+=0 思考 ? 分界線的方程是什么？ ? 感知器的模型如何表示？ – 數(shù)學表達式？ 感知器的局限性 ?Rosenblatt已經(jīng)證明 ， 如果兩類模式在分布空間中可以找到一個超平面將它們分開 ， 那么感知器的學習過程就一定會收斂 。 否則 判定邊界 就會振蕩不休 ， 永遠不會穩(wěn)定 ， 這也正是單層感知器所無法克服的缺陷 ， 所以它連最簡單的異或 （ XOR） 問題也解決不了 。 “異或”的真值表 x1 x2 y 0 0 0 0 1 1 1 0 1 1 1 0 x1 ? O O ? x2感知器的局限性 ? 關鍵問題就是求 0Tj ?XW感知器的學習 式中，當實際輸出與期望值相同時，權值不需要調(diào)整。感知器學習規(guī)則代表一種有導師學習。 感知器的學習規(guī)則 感知器學習規(guī)則的訓練步驟： (1) 對各權值 w0j(0),w1j(0),┄ ,wnj(0)， j=1, 2,┄ ,m （ m為計算層的節(jié)點數(shù)）賦予較小的非零隨機數(shù)； (2) 輸入樣本對 {Xp,dp}，其中 Xp=(1,x1p,x2p,┄,x np)， dp為期望的輸出向量（教師信號），上標 p代表 樣本對的模式序號，設樣本集中的樣本總數(shù)為 P， 則 p=1,2,┄,P ； 感知器的學習規(guī)則 (3)計算各節(jié)點的實際輸出 ojp(t)=sgn[WjT(t)Xp], j=1,2,...,m； (4)調(diào)整各節(jié)點對應的權值， Wj(t+1)= Wj(t)+η [djpojp(t)]Xp, j=1, 2,┄ ,m, 其中 η 為學習率，用于控制調(diào)整速度，太大會影響訓練的穩(wěn)定性，太小則使訓練的收斂速度變慢， 一般取 0＜ η ≤1 ； (5)返回到步驟 (2)輸入下一對樣本，周而復始直到對所有 樣本，感知器的實際輸出與期望輸出相等。 感知器的學習規(guī)則的訓練步驟 ：權值初始化為一個較小的隨機非零值。 ，并給出理想輸出值。 ： : 2，直到這次迭代完所給定的所有輸入樣本。 。條件符合，結束；否則轉 2。 ii xydw )( ??? ?感知器的學習 例三 單計算節(jié)點感知器， 3個輸入。給定 3對訓練樣本對如下： X1 = (1， 1， 2， 0)T d1 =?1 X2 = (1， 0， ， )T d2 = ? 1 X3 = (1， 1， 1， )T d3 =1 設初始權向量 W(0)=(,1,1,0)T， η =。 注意，輸入向量中第一個分量 x0恒等于 1，權向量中第一個分量為閾值，試根據(jù)以上學習規(guī)則訓練該感知器。 感知器的學習 解：第一步 輸入 X1， 得 WT(0)X1=(,1,1,0)(1,1,2,0)T= o1(0)=sgn()=1 W(1)= W(0)+η [d1 o1(0)] X1 =(,1,1,0)T+(11)(1,1,2,0)T =(,0)T 感知器的學習 第二步 輸入 X2，得 WT(1)X2=(,0)(1,0,)T= o2(1)=sgn()=1
教學課件相關推薦
鄂ICP備17016276號-1