人工智能及其應用蔡自興第四版733(編輯修改稿)
2025-03-10 16:13 本頁面
【文章內(nèi)容簡介】 驗。 類比學習 16 ?類比學習的研究可分為兩大類 ： (1) 問題求解型的類比學習 (2) 預測推定型的類比學習。它又分為兩種方式 ： 一是傳統(tǒng)的類比法 另一是因果關(guān)系型的類比 類比學習 17 解釋學習 (explanationbased learning) 解釋學習過程和算法 1986年米切爾（ Mitchell）等人為基于解釋的學習提出了一個統(tǒng)一的算法 EBG： 訓練例子 操作準則 知識庫 新規(guī)則 目標概念 18 EBG求解問題的形式可描述于下 : 給定： (1) 目標概念描述 TC； (2) 訓練實例 TE； (3) 領(lǐng)域知識 DT； (4) 操作準則 OC。 求解： 訓練實例的一般化概括 ， 使之滿足： (1) 目標概念的充分概括描述 TC； (2) 操作準則 OC。 解釋學習 19 神經(jīng)學習 基于反向傳播網(wǎng)絡的學習 反向傳播 （ backpropagation,BP）算法是一種計算單個權(quán)值變化引起網(wǎng)絡性能變化值的較為簡單的方法。 BP算法過程包含從輸出節(jié)點開始，反向地向第一隱含層傳播由總誤差引起的權(quán)值修正。 20 BP算法 ? 網(wǎng)絡模型： ? BP網(wǎng)絡的前向計算關(guān)系： – 以三層網(wǎng)絡為例， n個輸入結(jié)點， m個輸出結(jié)點， H個隱層結(jié)點，訓練樣本由（ xk， dk）（ k=1,2…p ）組成訓練對，轉(zhuǎn)移函數(shù)微 f（） – 當輸入第 k個樣本數(shù)據(jù)時隱層結(jié)點 h與輸出層結(jié)點 j的加權(quán)和與輸出分別為： x1 x2 xn y1 y2 ym Wih Whj d1 e2 dm e1 em yh(k) xi(k) yj(k) ])([))(()( ? ???i ihihh WkxfkSfky ? ?? i ihih WkxkS )()( ])([)() ??? ????? i ihih hjh hjhj WkxfWWkykS ]})([{])([)]([)( ??? ?????? i ihih hjh hjhjj WkxfWfWkyfkSfk21 ? BP算法的權(quán)值調(diào)整方法： – 令輸出結(jié)點家 j的誤差為 則 k個訓練樣本的誤差平方和為性能指標 – 隱層到輸出層的權(quán)值調(diào)整（梯度法）： – 輸入層到隱層的權(quán)值調(diào)整（梯度法）： ? BP網(wǎng)絡的訓練步驟： ? 用小隨機數(shù)初始化網(wǎng)絡各層權(quán)值； ? 樣本數(shù)據(jù)輸入； ? 誤差計算； ? 權(quán)值變化量計算； ? 權(quán)值調(diào)整 )()()(
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1