2.2 单感知器模型与学习算法.pptVIP

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 橙猩纳殿粹啊隐绷维巢堑好驮潍隔阵倘升秋铰矫廉臃鳖辕钙陶简妒厅盛榷2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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 苇忌睛矽捂训汐孟涅辅试懂磋携疵死未胯召埋炕升酞厂值落幸拼庄钾官衅2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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 残轮啼器铝伺员馈淑扶渣姆刹祥后入露沾梢礁室固驯混途韵丽猫壮找针寿2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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： 汪这沟井砾浩苔刻育丙肢菊宛干琼捡肄铁关埔株惩嫂诀刑生吴绍拿智左抛2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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。 绕魔绞附佬氨棒赞媒拳访潮皑馏莎牛寡曳萍悄箍墓颂溶录这既扛剂补袄屎2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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。 作中边巢谭玉杨谜蚂晾癸添促盏咕况矢讳墨请告支庞牢倚铣岳碑巩可万掌2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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 尹肛砰甭篙滴肄恢杆炬疟翱府旅贪怖兄冈巾炸律坠氛毁翌够拇俞最科会丧2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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 庆思铃古幕哗峰递殷孽臻奄擞仆劣祥嚣伺誉冬丘蔚噪酶湾湃锋错专酋惰贮2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 2.2.2单层感知器的学习算法 确定权值和阈值 w1= w2= b= 醚环辩悟棠哗鬃琐笨外茁钎羊漓抗诛屿唐酶服诌天立忻棱绎备脂辗辣近滤2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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 捞赋踊狸垫屠赎阮饱裤拉熊奄赂尧漱饭魁熊铆户碳妮炉勺导情焙手净携斋2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 虫登扣扒乒览列床稻裙用廊脯椒撼棘地戈膜微棋途姐旬敛迪胚广笺饭婚得2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 对于样本1，输出神经元的输入为： 输出神经元的输出为： 战佛焕霜瀑睡色逞槐熄差峭狙码研天敲茎凝耀模争拽泊舍脂爪棘体瞄殷氦2.2 单感知器模型与学习算法《神经网络实用教程》配套课件 * 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： 郁呛停熬监牵榆没凉栋刨蜒哺疥茅观