感知器训练算法-----连续多输出
2013-11-27 10:32
246 查看
用公式wij=wij+α(yj-oj)xi取代了离散输出中是否是错误(若实际输出与期望输出不同,则为错误)的判断
yj与oj之间的差别对wij的影响由α(yj-oj)xi表现出来,不管是否错误都进行修正,只是在正确的时候,修正要加减的数为0
好处:不仅使得算法的控制在结构上更容易理解,而且还使得它的适应面更宽
1.用适当的小伪随机数初始化权矩阵W;
2.初置精度控制参数ε,学习率α,精度控制变量d=ε+1;
3.Whiled≥εdo
3.1d=0;
3.2for每个样本(X,Y)do
3.2.1输入X(=(x1,x2,…,xn));
3.2.2求O=F(XW);
3.2.3修改权矩阵W:
for i=1 to n,j= 1 to m do
wij=wij+α(yj-oj)xi;
3.2.4累积误差
forj=1tomdo
d=d+(yj-oj)*(yj-oj)
程序实现:ε、α、d、i、j、n、m为简单变量来表示,W为n行m列的二维数组。样本集二维数组
感知器的局限性
由于感知器的激活函数采用的是阀值函数,输出矢量只能取0或1,所以只能用它来解决简单的分类问题;
感知器仅能够线性地将输入矢量进行分类。
感知器还有另外一个问题,当输入矢量中有一个数比其他数都大或小得很多时,可能导致较慢的收敛速度。
yj与oj之间的差别对wij的影响由α(yj-oj)xi表现出来,不管是否错误都进行修正,只是在正确的时候,修正要加减的数为0
好处:不仅使得算法的控制在结构上更容易理解,而且还使得它的适应面更宽
1.用适当的小伪随机数初始化权矩阵W;
2.初置精度控制参数ε,学习率α,精度控制变量d=ε+1;
3.Whiled≥εdo
3.1d=0;
3.2for每个样本(X,Y)do
3.2.1输入X(=(x1,x2,…,xn));
3.2.2求O=F(XW);
3.2.3修改权矩阵W:
for i=1 to n,j= 1 to m do
wij=wij+α(yj-oj)xi;
3.2.4累积误差
forj=1tomdo
d=d+(yj-oj)*(yj-oj)
程序实现:ε、α、d、i、j、n、m为简单变量来表示,W为n行m列的二维数组。样本集二维数组
感知器的局限性
由于感知器的激活函数采用的是阀值函数,输出矢量只能取0或1,所以只能用它来解决简单的分类问题;
感知器仅能够线性地将输入矢量进行分类。
感知器还有另外一个问题,当输入矢量中有一个数比其他数都大或小得很多时,可能导致较慢的收敛速度。
相关文章推荐
- 连续多输出感知器训练算法的实现
- 感知器训练算法----离散单输出
- 人工神经网络(Artificial Neural Netwroks)笔记--离散多输出感知器训练算法
- 感知器训练算法----离散多输出
- 人工神经网络(Artificial Neural Netwroks)笔记-连续多输出感知器算法
- 离散单输出感知器训练算法——《人工神经网络导论》
- 算法训练 成绩的等级输出
- 神经网络 感知器训练算法
- 蓝桥杯 算法训练 连续的正整数和
- 算法训练 输出米字形
- 算法思维(递归)训练:输出字符串字符的全排列
- 单输出感知器学习算法实现修改
- 算法训练 连续正整数的和
- 算法训练 连续正整数的和
- 利用基因算法训练连续隐马尔柯夫模型的语音识别
- 感知器的训练算法
- 算法训练 成绩的等级输出
- 算法训练 成绩的等级输出
- 蓝桥杯 ALGO-72 算法训练 成绩的等级输出
- 《算法竞赛-训练指南》第一章-1.24_pre-一维数组最大连续和