人工神經(jīng)元模型介紹-資料下載頁
2024-10-01 10:25本頁面
【正文】 3v 1 v 2w0w1w2 w3輸入輸出閾值u第二十九頁，共三十七頁。 例 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 第三十頁，共三十七頁。 感知器結(jié)構(gòu) x 1 ○ 0 . 5 0 . 5 ○ y x 2 ○ 0 . 7 5 1wix1+w2x2 T=0 +=0 例 用感知器實現(xiàn)邏輯 “與〞功能 第三十一頁，共三十七頁。 感知器的學習算法 第三十二頁，共三十七頁。 感知器的學習算法 感知器學習規(guī)那么的訓練步驟： (1) 對各權(quán)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,┄ ,xnp)， 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(shè)樣本集中的樣本總數(shù)為 P， 那么 p=1,2,┄ ,P； 第三十三頁，共三十七頁。 (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(quán)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，太小那么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。 第三十四頁，共三十七頁。 感知器學習規(guī)那么的訓練步驟： ?〔 1〕權(quán)值初始化 ?〔 2〕輸入樣本對 ?〔 3〕計算輸出 ?〔 4〕根據(jù)感知器學習規(guī)那么調(diào)整權(quán)值 ?〔 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。 第三十五頁，共三十七頁。 謝謝！ 第三十六頁，共三十七頁。 內(nèi)容總結(jié) 人工神經(jīng)元模型。神經(jīng)元具有空間整合特性和閾值特性。神經(jīng)元本身是非時變的，即其突觸時延和突觸強度均為常數(shù)。假設(shè) 3：空間整合特性和閾值特性。該輸出為 1或 0取決于其輸入之和大于或小于內(nèi)部閾值 θ。 τij—— 輸入輸出間的突觸時延。是 1943年心理學家 McCulloch和數(shù)學家 MP模型。那么由方程：w1jx1+w2jx2+w3jx3Tj=0。謝謝 第三十七頁，共三十七頁。
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1