医学数据挖掘—SQL Server 2005案例分析 教学课件 作者 周怡 王世伟 主编 医学数据挖掘第5章.pptVIP

以上两例说明单计算节点感知器具有逻辑“与”和逻辑“或”的功能。那么它是否也具有“异或”功能呢？请看下一个例子。 例3.1 能否用感知器实现“异或”功能？ “异或”的真值表如屏幕所示。 表中的4个样本也分为两类，但把它们标在图3.7的平面坐标系中可以发现，任何直线也不可能把两类样本分开。如果两类样本可以用直线、平面或超平面分开，称为线性可分，否则为线性不可分。由感知器分类的几何意义可知，由于净输入为零确定的分类判决方程是线性方程，因而它只能解决线性可分问题而不可能解决线性不可分问题。由此可知，单计算层感知器的局限性是仅对线性可分问题具有分类能力。 如果输入样本线性可分，无论感知器的初始权向量如何取值，经过有限次调整后，总能够稳定到一个权向量，该权向量确定的超平面能将两类样本正确分开。能将样本正确分类的权向量并不是唯一的，一般初始权向量不同，训练过程和所得结果也不同，但都能满足误差为零的要求。 例3.2 单计算节点感知器，3个输入。给定3对训练样本对如屏幕所示。 设初始权向量W(0)=(0.5,1,-1,0)T，η=0.1。注意，输入向量中第一个分量x0恒等于-1，权向量中第一个分量为阈值，试根据以上学习规则训练该感知器。 解：第一步 输入X1，得 WT(0)X1=(0.5,1,-1,0)(-1,1,-2,0)T=2.5 o1(0)=sgn(2.5)=1 W(1)= W(0)+η[d1- o1(0)] X1 =(0.5,1,-1,0)T+0.1(-1-1)(-1,1,-2,0)T =(0.7,0.8,-0.6,0)T 第二步 输入X2，得 WT(1)X2=(0.7,0.8,-0.6,0)(-1,0,1.5,-0.5)T=-1.6 o2(1)=sgn(-1.6)=-1 W(2)= W(1)+η[d2- o2(1)] X2 =(0.7,0.8,-0.6,0)T+0.1[-1-(-1)](-1,0,1.5,-0.5)T =(0.7,0.8,-0.6,0)T 由于d2= o2(1)，所以W(2)= W(1)。 第三步 输入X3，得 WT(2)X3=(0.7,0.8,-0.6,0)(-1,-1,1,0.5)T=-2.1 O3(2)=sgn(-2.1=-1 W(3)= W(2)+η[d3- o3(2)] X3 =(0.7,0.8,-0.6,0)T+0.1[1-(-1)](-1,-1,1,0.5)T =(0.5,0.6,-0.4,0.1)T 第四步 返回到第一步，继续训练直到dp- op=0，p=1,2,3。 如果输入样本线性可分，无论感知器的初始权向量如何取值，经过有限次调整后，总能够稳定到一个权向量，该权向量确定的超平面能将两类样本正确分开。能将样本正确分类的权向量并不是唯一的，一般初始权向量不同，训练过程和所得结果也不同，但都能满足误差为零的要求。 例3.2 单计算节点感知器，3个输入。给定3对训练样本对如屏幕所示。 设初始权向量W(0)=(0.5,1,-1,0)T，η=0.1。注意，输入向量中第一个分量x0恒等于-1，权向量中第一个分量为阈值，试根据以上学习规则训练该感知器。 解：第一步 输入X1，得 WT(0)X1=(0.5,1,-1,0)(-1,1,-2,0)T=2.5 o1(0)=sgn(2.5)=1 W(1)= W(0)+η[d1- o1(0)] X1 =(0.5,1,-1,0)T+0.1(-1-1)(-1,1,-2,0)T =(0.7,0.8,-0.6,0)T 第二步 输入X2，得 WT(1)X2=(0.7,0.8,-0.6,0)(-1,0,1.5,-0.5)T=-1.6 o2(1)=sg