决策支持系统(DSS)：感知器实例.pptx

2021-4-10 1 感知器实例 1 簡介 在1943年，McCulloch和Pitts已提出第一個類神經元的運算模型 。 神經心理學家Hebb提出一種理論，他認為學習現象的發生，乃在於神經元間的突觸產生某種變化。 Rosenblatt將這兩種創新學說結合起來，孕育出所謂的感知機(perceptron)。 感知機是由具有可調整的鍵結值 (synaptic weights) 以及閥值 (threshold) 的單一個類神經元 (neuron) 所組成。 感知機是各種類神經網路中，最簡單且最早發展出來的類神經網路模型，通常被用來做為分類器(classifier)使用。 2021-4-10 2 2 感知機基本架構 (1) 感知機的基本組成元件為一個具有線性組合功能的累加器，後接一個硬限制器 (hard limiter) 而成，如圖1所示。 一般說來，若我們設定硬限制器之輸入為正值時，則類神經元的輸出為 +1；反之，若硬限制器之輸入為負值時，則類神經元的輸出為 -1。 2021-4-10 3 圖　感知機之架構方塊。 2 感知機基本架構 (2) 分類的判斷規則是：若感知機的輸出為 +1，則將其歸類於 C1 群類；若感知機的輸出為 -1，則將其歸類於 C2 群類。 判斷規則所劃分的只有兩個判斷區域，我們可以將作為分類依據的超平面定義如下： 2021-4-10 4 圖2：一個具有二維輸入的兩群分類問題。 3 感知機收斂定理 (1) 步驟一：網路初始化 以隨機的方式來產生亂數，令 w(0) 為很小的實數，並且將學習循環 n 設定為1。 步驟二：計算網路輸出值 在第n次學習循環時，呈現輸入向量 x(n)，此時類神經元的輸出為： 步驟三：調整鍵結值向量 步驟四： 將學習循環 n 加1；回到步驟二。 2021-4-10 5 3 感知機收斂定理 (2) 調整後的類神經元，若再用相同的輸入範例來加以測試，則其輸出值會更加地接近期待值，其原因如下： 2021-4-10 6 圖4：以幾何觀點來分析感知機之訓練過程；(a)若 d=-1且y=1 ；(b)若 d=1且y=-1 。 2021-4-10 7 範例：感知機 (1) 訓練資料 x(n) 期望輸出值 d(n) (0, 0) 1 (0, 1) 1 (1, 0) -1 (1, 1) 1 學習率  為 0.8，並且將鍵結值的初始值設定為 (0, 1)， 令活化函數為sgn函數，神經元之閥值為-1 (1) n=0 2021-4-10 8 (1) n = 1， (2) n = 2， (3) n = 3， (4) n = 4， 2021-4-10 9 (5) n = 5， (6) n = 6， 圖2：感知機於疊代次數第 4, 5, 8 次時的鍵結值向量。  2021-4-10 10 按问题要求，设置输入结点为两个（x1,x2），输出结点为1个（z），隐结点定为2个（y1，y2）。各结点阈值和网络权值见图说明。 异或问题求解实例 2021-4-10 11 计算机计算结果 迭代次数：16745次；总误差：0.05 隐层网络权值和阈值： w11=5.24，w12=5.23，w21=6.68，w22=6.64 1=8.01 2=2.98 输出层网络权值和阈值： T1=-10，T2=10，=4.79