单层感知器模型与学习算法.pptVIP

智能中国网提供学习支持关于单层感知器模型与学习算法第1页，共35页，星期日，2025年，2月5日*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第2页，共35页，星期日，2025年，2月5日*2.2.1单层感知器单层感知器模型f(v)x1······by=f(v)x2xiw1xmw2wmwi第3页，共35页，星期日，2025年，2月5日*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-1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：第4页，共35页，星期日，2025年，2月5日*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。第5页，共35页，星期日，2025年，2月5日*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。第6页，共35页，星期日，2025年，2月5日*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第7页，共35页，星期日，2025年，2月5日*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 d0 0 00 1 01 0 01 1 1逻辑“与”真值表第8页，共35页，星期日，2025年，2月5日*2.2.2单层感知器的学习算法确定权值和阈值w1=w2=b=第9页，共35页，星期日，2025年，2月5日*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第10页，共35页，星期日，2025年，2月5日*第11页，共35页，星期日，2025年，2月5日*对于样本1，输出神经元的输入为：输出神经元的输出为：第12页，共35页，星期日，2025年，2月5日*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：第13页，共35页，星期日，2025年，2月5日*2.2.2单层感知器的学习算法输出神经元的输出为：权值调整：第14页，共35页，星期日，2025年，2月5日*2.2.2单层感知器的学习算法此时完成一次循环过程，由于误差没有达到0，返回第2步继续循环，在第二次循环中，前三个样本输入时因误差均为0，所以没有对权值进行调整，各权值仍保持第一次循环的最后值，第四个样本输入时各参数值如下：第15页，共35页，星期日，2025年，2月5日*2.2.2单层感知器的学习算法第16页，共35页，星期日，2025年，2月5日*2.2.2单层感知器的学习算法计算误差时，对所有的样本，网络的输出误差均为0，达到预定的要求，训练结束第17页，共35页，星期日，2025年，2月5日*2.2.3单层感知器的MATLAB实现MATLAB中单层感知器常用工具函数名称和基本功能函数名功能newp()生成一个感知器hardlim()硬限幅激活函数learnp()感知器的学习函数