2.2单层感知器模型和学习算法.ppt

* 2.2.4 多层感知机 多层感知器的拓扑结构 * 2.2.4 多层感知机 多层感知器的特点 含有一层或多层隐单元,从输入模式中获得了更多有用的信息，使网络可以完成更复杂的任务。 每个神经元的激活函数采用可微的函数 sigmoid函数 多个突触使得网络更具连通性 具有独特的学习算法 BP算法 * 小结 单层感知器模型及工作原理 单层感知器的学习算法 单层感知器的MATLAB实现 单层感知器的应用示例 多层感知器概述 * 谢 谢！ * 线上方的样本用*表示，它们使netj0，从而使输出为1；线下方的样本用o表示，它们使netj0，从而使输出为-1，见图3.3。显然，由感知器权值和阈值确定的直线方程规定了分界线在样本空间的位置，从而也确定了如何将输入样本分为两类。假如分界线的初始位置不能将*类样本同o类样本正确分开，改变权值和阈值，分界线也会随之改变，因此总可以将其调整到正确分类的位置。 智能中国网提供学习支持 2.2感知器神经网络模型与学习算法 * 2.2.1单层感知器 概述 由美国学者Rosenblatt在1957年首次提出 学习算法是Rosenblatt在1958年提出的 包含一个突触权值可调的神经元 属于前向神经网络类型 只能区分线性可分的模式 IEEE设立以其名字命名的奖项 * 2.2.1单层感知器 单层感知器模型 f(v) x1 · · · · · · b y=f(v) x2 xi w1 xm w2 wm wi * 2.2.1单层感知器 单层感知器工作原理 单层感知器可将外部输入分为两类。当感知器的输出为+1时，输入属于 类，当感知器的输出为0时，输入属于 类，从而实现两类目标的识别。在二维空间，单层感知器进行模式识别的判决超平面由下式决定： * 2.2.1单层感知器 单层感知器工作原理 对于只有两个输入的判别边界是直线（如下式所示）,选择合适的学习算法可训练出满意的 和 ，当它用于两类模式的分类时，相当于在高维样本空间中，用一个超平面将两类样本分开。 * 2.2.2单层感知器的学习算法 单层感知器学习算法思想 基于迭代的思想，通常是采用误差校正学习规则的学习算法。 可以将偏置作为神经元权值向量的第一个分量加到权值向量中,也可以设其值为0 输入向量和权值向量可分别写成如下的形式： 令上式等于零，可得到在维空间的单层感知器的判别超平面。 * 2.2.2单层感知器的学习算法 单层感知器学习算法 第一步,设置变量和参量。 为激活函数, 为网络实际输出， 为期望输出， 为学习速率， 为迭代次数， 为实际输出与期望输出的误差。 第二步,初始化 给权值向量 的各个分量赋一个较小的随机非零值，置 第三步,输入一组样本 ，并给出 它的期望输出 。 第四步,计算实际输出: 第五步,求出期望输出和实际输出求出差 根据误差判断目前输出是否满足条件，一般为对所有样本误差为零或者均小于预设的值，则算法结束，否则将值增加1，并用下式调整权值： 然后转到第三步，进入下一轮计算过程 * 2.2.2单层感知器的学习算法 学习算法实例: 构建一个神经元，它能够实现逻辑与操作 x1 x2 d 0 0 0 0 1 0 1 0 0 1 1 1 逻辑“与”真值表 * 2.2.2单层感知器的学习算法 确定权值和阈值 w1= w2= b= * 2.2.2单层感知器的学习算法 设阈值为0.6，初始权值均为0.1，学习率为0.6，误差值要求为0，神经元的激活函数为硬限幅函数，求权值w1与w2 迭代次数 样本标号 输入或权值标号 变量 * * 对于样本1，输出神经元的输入为： 输出神经元的输出为： * 2.2.2单层感知器的学习算法 权值调整 样本2与3同样本1，因输出为0省略 对于样本4，输出神经元的输入为： * 2.2.2单层感知器的学习算法 输出神经元的输出为： 权值调整： * 2.2.2单层感知器的学习算法 此时完成一次循环过程，由于误差没有达到0，返回第2步继续循环，在第二次循环中，前三个样本输入时因误差均为0，所以没有对权值进行调整，各权值仍保持第一次循环的最后值，第四个样本输入时各参数值如下： * 2.2.2单层感知器的学习算法 * 2.2.2单层感知器的学习算法 计算误差时，对所有的样本，网络的输出误差均为0，达到预定的要求，训练结束 * 2.2.3 单层感知器的MATLAB实现 MATLAB中单层感知器常用工具函数名称和基本功能 函 数 名 功 能 newp() 生成一个感知器 hardlim() 硬限幅激活函数 learnp()