第五章突触动力学Ⅱ有监督学习.pptVIP

第五章 突触动力学Ⅱ：有监督学习 王衡 目录 1有监督的函数估计 2有监督的学习相当于操作性条件反射 3有监督的学习相当于有先验知识的随机模式学习 4算法，感知器，LMS，BP 1.有监督的函数估计 给定观察得到的随机矢量样本对： 要估计一个未知函数：f : x—y，并且使期望误差函数E[J]最小。误差=期望输出-实际输出 1.有监督的函数估计 设N为一个神经网络的传递函数，那么可以定义瞬时误差为 ，这是一个随机向量，因为我们不知道联合概率密度函数p(x,y)，所以，无法求出， 一般用 。随机逼近用观测到的随机量来估计期望值，然后在离散的近似算法中使用这些估计量，通常是随机的梯度下降法，举个例子，在Widrow’s LMS算法中，他用的梯度是随机梯度 理解细节 1.error surface 2.m* 3.函数估计与分类 2.有监督的学习相当于操作性条件反射 1.操作性条件反射相当于有监督的学习，如果输入与期望的输出不同，就调节权值m 2.有监督的学习相当于操作性条件反射 2.传统条件反射（相对于非条件反射的概念），神经网络直接把输入x耦合到输出y 2.有监督的学习相当于操作性条件反射 操作性条件反射的例子 1自然选择 2家长教育孩子 3.有监督的学习相当于有先验知识的随机模式学习 1.模式 模式就是特征域 上的一个点，随机时变模式定义了一个随机过程x(t)，t属于[0，T]，值域是特征域 3.有监督的学习相当于有先验知识的随机模式学习 3.类 的子集，下面假设我们把模式空间 分成了k个不相交的子集 ，也叫决策类 3.有监督的学习相当于有先验知识的随机模式学习 3.有监督的学习相当于有先验知识的随机模式学习 4.类的概率 3.有监督的学习相当于有先验知识的随机模式学习 5.有监督和无监督模式学习 3.有监督的学习相当于有先验知识的随机模式学习 * * 传统条件反射的例子 1巴普洛夫试验 2望梅止渴 2.随机模式学习 由已知的样本x(1)，x(2)…x(n)来估计x的概率密度函数p(x) 4.类的概率 4.类的概率 其中 ，是一个指示器函数，定义为 这是离散的情况，如果指示函数指出了模式 x对于类 S的隶属度，那么 S 就是一个模糊集。例如定义 ，那么积分成为 这说明我们使用的模糊指示函数是正确的，这里模糊的概念就是概率 贝叶斯学习，因为用到了指示器函数，所以是有监督的学习 有监督和无监督模式学习的区别依赖于已有的信息以 及学习系统如何利用它。在两种情况下系统都不知道 如果知道确定的类，并且学习系统利用了这些信息，那 么模式学习就是监督学习。如果不知道或没用类隶属度 （指示函数），则模式学习就是非监督的。 监督随机竞争学习定律： 先看噪声随机竞争学习定律: 由于上式没有使用类成员信息校正突触矢量，所以是 非监督学习。 监督随机竞争学习定律为： 增强函数为： 奖励正确的模式分类＋1，惩罚错误的模式分类为－1。 *