感知器算法_第1页
感知器算法_第2页
感知器算法_第3页
感知器算法_第4页
感知器算法_第5页
已阅读5页,还剩43页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

3.2感知器算法,感知器(Perception)是一个具有单层计算单元的人工神经网络,感知器训练算法就是由这种神经网络演变而来的。一、感知器的概念美国学者F.Rosenblatt于1957年提出了感知器的模型(如下图):,3.2感知器算法,感知器实质上是一种神经元模型,是一个多输入/单输出的非线性器件。其中,为阈值,为输入,为输出:而且f为一阶跃函数,即:,3.2感知器算法,3.2感知器算法,若令:则:由此可见,它可作为一个分类器,解决两类的分类问题。即:若:则,3.2感知器算法,二、感知器训练算法步骤分别属于或,为确定,执行:给定初始值:赋任意较小的值,选择常数c0;(2)输入训练样本;(3)计算判决函数的值:(4)修正加权向量,修正规则为:,3.2感知器算法,若和,则:若和,则:如果的训练样本的各分量均乘以了(-1),则修正规则统一为:若,则:,3.2感知器算法,(5)令,返回(2),直到W对所有的训练样本均稳定不变结束。注:c取值选择。通常选择,c值大小会影响收敛的速度和稳定性。算法的物理意义:,+,-,+,-,例3.1:已知两类模式的训练样本(如图):试用感知器算法求分界面。,接上页,接上页,例3.2:有两类样本1=(x1,x2)=(1,0,1),(0,1,1)2=(x3,x4)=(1,1,0),(0,1,0)解:先求四个样本的增值模式x1=(1,0,1,1)x2=(0,1,1,1)x3=(1,1,0,1)x4=(0,1,0,1)假设初始权向量w(0)=(1,1,1,1)c=1第一次迭代:W(0)Tx1=(1,1,1,1)(1,0,1,1)T=30所以不修正W(0)Tx2=(1,1,1,1)(0,1,1,1)T=30所以不修正W(0)Tx3=(1,1,1,1)(1,1,0,1)T=30所以修正w1W(1)=w(0)-x3=(0,0,1,0)W(1)Tx4=(0,0,1,0)T(0,1,0,1)=0所以修正w2W(2)=w(1)-x4=(0,-1,1,-1)第一次迭代后,权向量W(2)=(0,-1,1,-1),再进行第2,3,次迭代如下表,直到在一个迭代过程中权向量相同,训练结束。W*=W(5)=(0,1,3,0)判别函数g(x)=-x2+3x3注:感知器算法只对线性可分样本有收敛的解,对非线性可分样本集会造成训练过程的振荡,这是它的缺点。,三、收敛性定理定理:若训练样本是线性可分,则感知器训练算法在有限次迭代后可以收敛到正确的解向量。证明:为了证明该定理,假定:第一,对每一个训练样本都进行归一化处理,变成单位向量,即:;第二,取c=1,W(0)=0;第三,变更感知器训练算法如下:置k=0,W(0)=0,c=1,给较小的正数T,并取00且gj(x)0(j=1,2,c,),则判:,c类可有c个判别函数,且具有以下性质:,3.4最小平方误差准则函数与H-K算法,把c类问题转化为c个两类问题,分别对c个两类问题进行训练,就可得到c个解向量,进而建立c个判决函数。对两类问题如何选取样本?在除类之外的训练样本中选取适当足够的样本,与的样本一起共同构成训练样本集,利用前面两类问题的H-K算法求解:,3.4最小平方误差准则函数与H-K算法,由训练样本集构成增广矩阵,求伪逆:(2)赋给初值,应使各分量均为正值,选正常数,置;(3)计算:(4)若的负的分量停止变为正或各分量均为负,则线性不可分,中止迭代;否则,若的各,3.4最小平方误差准则函数与H-K算法,量均接近0,即,迭代过程完成,算法结束;否则继续。(5)计算:(6)令,返回(3)在上述算法中,令分别进行c次训练,即可得c个解向量和c个判决函数。,例3:已知三类训练样本试用H-K算法求解向量、。解:,3.5势函数法,特点:可以直接确定判决函数,而且不仅适用于线性分类器,还适合于非线性分类器。基本思想(以两类问题为例):把类的样本点设想成能源,在该点正电位达到最大值,而随着与该点距离的增大,正电位越来越低。,高,低,低,高,3.5势函数法,同样,把属于类的样本点设想另一种能源,在该点上负电位达到最大值,而随着与该点距离的增大,负电位越来越低。这样,在类型的样本聚集区域形成电位势能的“高地”,而在类型的样本聚集区域形成电位势能的“洼地”。电位为零的等位点的轨迹就可以作为区分界面。,3.5势函数法,一、势函数的概念设表示与之间的电位势函数,它满足三个条件:(1),当且仅当时,达到最大值;(2)当与之间的距离趋近于无穷大时,趋近于0,即:是光滑函数,并且是与之间距离的单调下降函数。,3.5势函数法,积累电位势函数:所有样本点(含的所有点)的电位势函数在任一点产生的电位总和被称为积累电位势函数,表示为。如果能够把样本正确分类,可取为判决函数,即:。的修正:在训练过程中,逐个加入训练样本,根据分类是否正确决定积累电位势函数是否调整。,3.5势函数法,若正确分类,则不变;若错误分类,则被修正。如果所有的训练样本都能被正确分类,稳定不变,则它就是所期望得到的判决函数。这里介绍两类满足条件的电位势函数。第一类势函数:其中在的定义域里是正交函数系。,3.5势函数法,第二类势函数:,且可展成无穷级数,如:(a)(b)(c)(为常数)(可画出在一维特征空间的图像),3.5势函数法,二、训练过程及修正规则:1、修正规则:当输入第k个样本,计算点的积累电位势,修正规则为:(*)定义为:,3.5势函数法,2、势函数法算法步骤:初始化,令;输入样本,取:令,输入样本,计算点的积累电位势函数;

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论