第二讲 单层感知机模型及其学习算法.pptVIP

第二讲 单层感知机模型及其学习算法 主要内容 上节重点回顾 学习规则 单层感知机拓扑结构 2输入单神经元感知机分析 感知机学习规则 上节重点回顾（1） 多输入神经元（1） 上节重点回顾（2） 多输入神经元（2） 上节重点回顾（3） 学习规则（1） 学习规则就是修改神经网络的权值和偏置值的方法和过程(也称这种过程是训练算法) 学习规则可以训练网络来完成某些工作 学习规则（2） 有监督学习 无监督学习 增强（或分级）学习 单层感知机拓扑结构 2输入单神经元感知机（1） 2输入单神经元感知机（2） 2输入单神经元感知机（3） 思考（1） and操作的描述： 0 and 0 = 0 and 1 =1 and 0 = 0 1 and 1 = 1 and操作的感知机实现过程 (边界的移动以及截距的确定) 思考（2） 多神经元感知机的空间分割能力 感知机学习规则（1） 例子： {(1,2),1,(-1,2),0,(0,-1),0} 使用无偏置2输入单神经元网络的学习过程 W1=(1,1)时的学习过程 W1=(0,-1)时的学习过程 感知机学习规则（2） 感知机学习规则（3） 感知机学习规则（4） 对多神经元感知机，训练的统一形式为： 令e=t-a，则： wi(k+1)=wi(k)+eiP bi (k+1)=bi (k)+ei 或者统一记作： wi (k+1)=wi (k)+eiP 感知机学习规则（5） 通用形式： wi (k+1)=wi (k)+ηeiP η为参数 w (k+1)=w (k)+ηeP 感知机学习规则（6） 课堂练习（1） {(1,-1,-1),0(1,1,-1),1} 有偏置 感知机学习规则（7） 课堂练习（2） * 问题：输入一定的情况下，y如何计算与取值？ 若w11=1,w12=2,b=-2，f(x)=0如何分割平面？ 边界的法线方向的意义以及与权矩阵中行向量的关系？ 设{p1,t1, … ,pq,tq}是训练集合， 利用训练集工作学习规则 总结规则： If t=1 and a=0 then w1(k+1)=w1 (k)+P If t=0 and a=1 then w1 (k+1)=w1 (k)-P If t=a then w1 (k+1)=w1 (k) 统一形式： 令e=t-a，则： w1 (k+1)=w1 (k)+eP 考虑偏置存在的情况，上述规则依然成立 即追加b(k+1)=b(k)+e的情形。如果将偏置作为权重矩阵的最后一列中的元素，则可以仅仅使用统一规则表达 Demo:nnd4pr * * *