- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
设有待训练网络如图所示: X1
X2
x1
X3
X4 O
x 2
输入模式: x ; 已知初始化向量为
x3
x 4
1
1
1
W =
0
0.5
应用 Hebbian 规则分别对离散活化函数和连续活化函数的网络进行学习,分析
学习过程。
1 1 0
2 0.5 1
设输入向量为:X = X = X =
1 2 3
1.5 2 1
0 1.5 1.5
1 net 0
离散活化函数:f(net)=Sgn(net)= ,取c=1;
1 net 0
连续活化函数:f(net)= 2 1 ,取=1 。
1exp( net)
2 3 4
分别求w , w , w ,并进行分析。
解:利用Hebbian 学习规则有:
学习信号就是神经元的输出:
r f (W T X )
文档评论(0)