单层前向网络及LMS学习算法试卷.ppt

第 2 章 单层前向网络及LMS学习算法 2.1 单层感知器 2.2 自适应线性神经网络 2.3 LMS学习算法 2.1单层感知器 2.1.1 单层感知器模型 2.1.2 单层感知器的学习算法 2.1.1 单层感知器模型 单层感知器模型 感知器的神经元的突触权值是可变的，这样就可以进行学习。 单层感知器模型 使用单层感知器的目的就是让其对外部输入x1, x2, …, xm进行识别分类，单层感知器可将外部输入分为两类l1和l2。关键在于寻求权值向量wij和偏差值b。 2.1.2 单层感知器的学习算法 单层感知器对权值向量的学习算法是基于迭代的思想，通常是采用纠错学习规则的学习算法。 为方便起见，将偏差b作为神经元突触权值向量的第一个分量加到权值向量中去，那么对应的输入向量也应增加一项，可设输入向量的第一个分量固定为+1，这样输入向量和权值向量可分别写成如下的形式： 其中的变量n表示迭代次数，其中的b(n)可用w0(n) 表示，则感知器的输入可重新写为： 令上式等于零，即可得在m维信号空间的单层感知器的判决超平面。 单层感知器的学习算法： 第一步：设置变量和参量： X(n)= [1, x1(n), x2(n), …, xm(n)]T为输入向量，或称训练样本； W(n)= [b(n), w1(n), w2(n