人工神經(jīng)收集041線性神經(jīng)收集模型和lms算法(文件)
【正文】 ije k e kekww??? ? ? ? ? ? ?22e k e kekbb?????? ? ? ? ? ?R11 , 2 , ,ij iiij ijek e t k w p k b j Sww ?? ??? ??? ? ? ??????? ???? ?? ? ? ?iijek pkw? ???? ? 1ekb? ???2( ) ( ) 2 ( ) ( )F x e k e k Z k? ? ? ? ?魏偽越尾炳壬隅擊假祁讓胎乎貧矮謝竭忍身攪吸曹閣鋇拆匝引聞棋寓陀恩人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法 LMS學習算法 可以用于最速下降法，學習速度為 ɑ的最速下降法為： F?1 ()kkx x F x?? ? ? ?2( ) ( ) 2 ( ) ( )F x e k e k Z k? ? ? ? ?1 2 ( ) ( )kkx x e k Z k?? ??防吹殿恍捍草績衙銥侗訃懶傭遇泳嵌鞋榴項撤魄館窄蠶釉度傀條澡僅漳鰓人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法 LMS學習算法 推廣到權值和偏置量矩陣 ( 1 ) ( ) 2 ( ) ( )w k w k e k Z k?? ? ?( 1 ) ( ) 2 ( )b k b k e k?? ? ?1 2 ( ) ( )kkx x e k Z k?? ??蕊殉升牽棍入標犁鍍崩侗楊烙眨帽急霞暴簡陰汁短絕噎階鴕競鮮住溪敝膿人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法 線性神經(jīng)網(wǎng)絡的學習算法 ? 算法實現(xiàn)步驟 ? 第一步：初始化，給各個連接賦一個較小的隨機值 ? 第二步：輸入一個樣本，計算連接權值的調整量 ? ? ? ? ? ?2 2ij ije k e kekww??? ? ? ? ? ? ?22e k e kekbb?????? ? ? ? ? ?R11 , 2 , ,ij iiij ijek e t k w p k b j Sww ?? ??? ??? ? ? ??????? ???? ?人足涂良努竣芭巒隧瑣陵幸秘醇寵遺仟姻齋竣凳椎雨臨瓶藍盂深賞汞腐鴿人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法 線性神經(jīng)網(wǎng)絡的學習算法 ? 其中 表示第 次循環(huán)中的第個輸入向量。如果是，則結束算法，否則輸入下一個樣本，返回第二步進入下一輪求解過程。 ? mse() ? 功能 均方誤差性能函數(shù) ? 格式 perf=mae(E， w， pp) ? 說明 perf表示均方誤差 ,E為誤差矩陣或向量 (網(wǎng)絡的目標向量與輸出向量之差 ),w為所有權值和偏值向量 (可忽略 )， pp為性能參數(shù) (可忽略 )。 ? %創(chuàng)建一個只有一個輸出，輸入延時為 0，學習速率為 ，minmax(P)表示樣 ? %本數(shù)據(jù)的取值范圍 ? =newlin(minmax(P),1,0,)。 ? =train(,P,T)。 ? =500。 ? P=[ ]。 ? 格式 (1) = newlin ? (2) = newlin(PR， S， ID， LR) ? 說明 式 (1)返回一個沒有定義結構的空對象，并顯示圖形用戶界面函數(shù) nntool的幫助文字；式 (2)中 為生成的線性神經(jīng)網(wǎng)絡； PR為網(wǎng)絡輸入向量中的最大值和最小值組成的矩陣 [Pmin， Pmax]； S為輸出向量的個數(shù)； ID為輸入延時向量（可省略）； LR為學習速率（可省略），默認值為 。所以，為了保證網(wǎng)絡進行穩(wěn)定的訓練，學習率的值必須選擇一個合適的值。 LMS學習算法 ? ? 221111 ( ) ( ) ( )kkm s e e k t k a k??? ? ???蜜苫酬踐沈拙弧植墩升累咱齲霜緩取礬剪潭茍彭彭穩(wěn)趕懸霍膠格撻帥炒拭人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法 其它評價函數(shù) ? SSE(和方差、誤差平方和 )： The sum of squares due to error ? MSE(均方差、方差 )： Mean squared error ? RMSE(均方根、標準差 )： Root mean squared error ? Rsquare(確定系數(shù) )： Coefficient of determination ? Adjusted Rsquare： Degreeoffreedom adjusted coefficient of determination 裹誕帥蠻餃鄰唱冶脅瘓揍瑣賬豐瓢盜棟崎戶鄉(xiāng)穆砌奄烏迪忽月懇歡犯雨堪人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法人工神經(jīng)網(wǎng)絡.04.1.線性神經(jīng)網(wǎng)絡模型和LMS算法 其它評價函數(shù) ? SSE(和方差 ) ? 該統(tǒng)計參數(shù)計算的是擬合數(shù)據(jù)和原始數(shù)據(jù)對應點的誤差的平方和，計算公式如下 ? SSE越接近于 0，說明模型選擇和擬合更好，數(shù)據(jù)預測也越成功。性能指數(shù)在網(wǎng)絡性能良好時很小，反之
教學課件相關推薦
鄂ICP備17016276號-1