第04讲感知器.ppt

1、第04届的Perceptron，zouben，是美国计算机科学家罗森布拉特在1957年写的。单层传感器神经元模型图：图41传感器神经元模型，F.Roseblatt证明，如果两种类型的模式可以线性分离(如果有区分它们的超平面)，算法将收敛。插座特别适用于简单的模式分类问题，也可以用于基于模式分类的学习控制。本节所说的概念是单层概念。多层网络都被分类为反向波网络，因为它使用稍后将介绍的反向波方法修改权重。41根据传感器网络结构，网络结构，可以创建第I输出神经元(i1，2，s)的加权输入和ni及其输出ai。传感器输出值通过测试权重输入和值是否在阈值函数的左侧和右侧进行分类，如图43所示。42插座的图

2、形解释通过插座的网络结构表明，插座的基本功能是将输入矢量转换为0或1的输出。此功能可以通过块矢量空间的映射来解释。传感器权重参数旨在根据学习规律设计W*P B0的轨迹，以区分输入矢量所需的位置。例如，在输入向量R2中，通过由w1、w2和b组成的传感器，可以在包含w1、w2和b的w1和p2的输入平面上绘制W*P bw1 P1 10w2 10b0的轨迹，其中，w1和p2分别包含水平坐标和垂直坐标。当直线上的所有P1、p2、p2值等于w1 P1 10w2 p2 10b0时，此轨迹通过配置为w1、w2和b的传感器输出。吴宣仪下一部分中的点将插座的输出归零。因此，在徐璐预期将其他输入向量输出为0或1的分

3、类中，在输入空间中形成输入向量的徐璐知道其他点的位置的设计传感器的权重W和b被放置在W*P B0的线适当的位置，因此，根据所需的输出值，将输入向量上下分类。图44输入水平坐标中有问题的向量平面图，输入用于计算新加权矩阵w和新偏差b的算法43传感器的学习规则。识别器使用学习规则调整网络的权重，使网络对块向量的响应达到数字0或1的目标输出。输入向量p、输出向量a和目标向量为t的传感器网络的学习规则如下：如果第I神经元的输出正确，即如果有aiti，连接到第I神经元的加权wij和偏差bi将保持不变。如果I神经元的输出为0，但输出为1，则有ai0，如果有ti1，则权重修正算法是新权重wij将块向量pj与

4、旧权重wij相加。同样，新偏差bi是旧偏差bi加上输入1。如果I神经元的输出为1，但输出为0，也就是说，如果有ai1，有ti0，那么加权修正算法就是新加权wij减去旧加权wij减去输入向量pj。同样，新偏差bi是旧偏差bi减去1。传感器学习规则的本质是权重的变化量等于正负输入向量。所有I和j、il、2、s；J1、2、r、传感器修改权重公式为：上述用于修改传感器权重的学习算法已将子程序编译到MATLAB神经网络工具箱中名为1 earrnp.m的函数中。您只需直接调用此函数，即可立即获得权重的修改量。此函数需要的块变量为输入、输出和目标矢量：p、a和t。调用命令为dW，dBlearnp(P，a，t

5、)。(4-5)，44网络的培训，插座的培训课程如下：输入向量p计算网络的实际输出a，将其与相应的目标向量t进行比较，以确定a等于t，然后使用比较的误差量，根据学习规则进行权重和偏差调整。重新计算以新权重工作的网络的输入，重复权重曹征过程，直到网络的输出a等于目标向量t或培训数达到预设的最大值。，传感器设计培训阶段可概括为：1)对于要解决的问题，确定输入向量p、目标向量t，确定每个向量的维数和网络结构大小的神经元数(r，s，q；2)初始化参数：a)从任意非零初始值(l，1)指定给权重向量w；b)最大训练周期数max _ epoch中选择所需的构件。3)网络表达式：基于块矢量p和最新加权矢量w计算

6、网络输出矢量a。4)检查：确保输出矢量a等于目标矢量t。或者，如果达到最大循环数，则培训结束，否则转至5。5)学习：根据学习规则调整权重向量，并返回3。4 .5传感器神经网络应用的局限性，第一，传感器输出只能取0或1。其次，单层拦截器只能对线性可分离向量集进行分类。4 .6传感器神经网络设计实例41考虑简单的分类问题设计将二维的四组输入矢量分为两类的传感器。输入向量为p-0.5-0.5 0.3 0。-0 . 5 0 . 5-0 . 5 1；目标向量是使用传感器神经网络解决问题的t 1.0 l.0，代数解，如图45所示。对于单层网络，网络的输入神经元数r和输出神经元数s分别由输入矢量p和目标矢量t唯一确定。网络的加权矩阵维数为Wsr，Bs1加权总和为sr，偏差数为s。确定网络结构并设置最大循环数和加权初始值后，设计人员可以轻松地利用MATLAB，通过问题和概念的学习和课程编写自己的程序。练习Percepl.m和percep2.m，47操作，多个神经元分类，也称为模式联想。分类输入和输出抽样，例如：要求画最后的线性图。48感知器的限制