由Hebbian规则引出的随机近似学习算法.pdfVIP

t只 由Hebbian规则引出的随机近似学习算法 粱朴 南开大学教学科学院，天津 300071 抽薹；本文概要地介绍了由神经网络中的Hebbian规则引出的几种类型随机近似学习算法的 工作原理，并推广了其中的LPC学习算法的条件． 随机近似线性预测 关t词。神经网络Hcbbian规则 The indu(’Pdfiomthe st()(Lhaslic approximatealgorithm learning Hebbian rule I,iang，1f。 of 30007 Ma‘hem“its，Naukai Departmem University，Tianjin SOlDe of of kindsstochastic Abstract：Inthispapei．the principle approxlmatcleamfing areinducedfrontthellebbianruleofneuralnetwolk aIeinlroduced algorithm．which ztc|in the is briefly．awhichcoudiI_ionof ol’LPCex‘‘aded． learningalgorithm Keywords：IleUlalnetwork，Hebbianrule，stochasticapproximate，linearpredicteon． 1引言 近年来，利用神经网络方法对数据进行主元分析(PCA)或次元分析(MCA)讨论得 X1零均值的输入矢量，所谓主元 很活跃．有代表性的是Oia等人的文章【1—5】．设x为n x (或次元)分析的意义是指t寻找p(pn)个n1矢量m、％、…、n々，使之满足 (1)F“¨7，Y)2}，i=l，2，…，“最大(或最小)，其中I’表示眦的转置； {2)哪’lFj=，，ij，即这些IK要互相单位正交． 可以证明满足如上条件的眦正好是A=E{XX7)的最大(或最小)P个单位特征矢 量【31．因此这些算法本质上是求某个正定‘或对称)矩阵的最大i或最小扣个单位特征矢 营．求矩阵的特征矢罱在统计上有一些很成熟的方法．但都是以矩阵A作为巳知。然而在 实际应用时输入多是矢量-、f的样本序列讯．^=1，2，…．而X是未知的．因此A也是未知 的，这时必须预先对，1=E{Xl=lira÷E‰(若满足遍厉性)进行估计，从而不可避免 7㈨★=1 在一开始便产生(估计)误差，因而自适应能力不强，不利于实时和硬件的实现．因此近年 来产生了一种利用神经网络的学习算法以求解PCA和MCA的方法，取得了很好的效果． 作者最近利用同样的原理。给出