人工神经网络:感知器
人工神经网络:感知器
- 1.1 基本概念
1、输入节点:X1={x1,x2,x3,...,xi,...xn},for example,X1=[1 2]';
2、输出节点:y={y1,y2},for example,y=[0 1];
3、权值:W={w1,w2,w3,...,wi,...,wn},for example,W=[1 1];感知器学习规则只适用于二进制神经元,初始权值可取任意值。
感知器学习规则代表一种有监督学习。由于感知器理论是研究其它神经网络的基础,该规则对于神经网络的有监督学习具有极为重要的意义。
4、偏置因子:b,for example b=1,注意:外部偏置值恒为1;(但标准不同时,该值也可能不同)
5、激活函数:f,激活函数的意义是y=f(w1*x1+w2*x2+w3*x3+,...,+wn*xn+b);
hardlim函数:a=hardlim(n),当n>=0时,a=1,否则a=0;hardlims函数:a=hardlims(n),当n>=0,a=1,否则,a=-1。
6、学习算法:神经网路对权值的调整过程。
7、结构模型:无。
在二维空间中,单层感知器进行模式识别的判决超平面由下式决定:
- 1.2 案例分析1
1、输入节点 X=[2 1]' ,输出节点 y=1,期望输出 t=0,权值 W=[0 0]',W(t+1)=W(t)+eX,
2、计算过程:
以下t为target的简称,e为error的简称,
(1)首先输入两个节点X=[2 1]',目标输出target=0,权值初始化为W=[0 0]', 先不考虑偏置因子值b(b的输入永远为1),即将b设为0,则输出为y=f(w1*x2+w2*x1)=f(2*0+1*0)=1。
(2)输出结果y=1与目标值target=0不一致,误差error=target-y=-1,因此根据反馈结果调整权值W,权值W的调整公式W(t+1)=W(t)+eX进行调整,调整后W(1)=[0 0]'+(-1)[2 1]'=[-2 -1]'。此次权值将b也加进去,不对偏置因子b单独使用公式进行计算,如此使得W(1)=[-2 -1 -1]',W(1)=[0 0 0]'+(-1)[2 1 1]'=[-2 -1 -1]'。
(3)再次输入,y=f(w1*x2+w2*x1+b)=f(2*(-2))+1*(-1)+1*(-1))=0,输出结果与期望值t一致,建立网络。
- 1.3 案例分析2
样本X=[2 1 -2 -1;2 -2 2 0],即样本X(1)=[2 2]',X(2)=[1 -2]',X(3)=[-2 2]',X(4)=[-1 0]',期望分别为t(1)=0,t(2)=1,t(3)=0,t(4)=1,初始化权值、阈值w(1)=0,w(2)=0,b=0。
(1)将样本X(1)输入,则y(1)=hardlim(w(1)*2+w(2)*2+b)=hardlim(0)=1。
(2)计算输出值与目标值的误差e=t(1)-y(1)=0-1=-1。
(3)根据误差调整权值和阈值W=W+eX(1)'=[0 0 0]'+(-1)[2 2 1]'=[-2 -2 -1]'。
(4)输入样本X(2),则y(2)=hardlim(w(1)*1+w(2)*(-2)+b)=hardlim(-2+4-1)=1。
(5)计算输出值与目标值的误差e=t(2)-y(2)=1-1=0。
(6)因为误差为e=0,所以权值和阈值不再发生变化。
(7)输入样本X(3),则y3=hardlim(w(1)*(-2)+w(2)*2+b)=hardlim(4-4-1)=0。
(8)计算输出值与目标值的误差e=t(3)-y(3)=0-0=0。
(9)输入样本X(4),则y(4)=hardlim(w(1)*(-1)+w(2)*0+b)=hardlim(1)=1。
(10)计算输出值与目标值的误差e=t(4)-y(4)=1-1=0。
(11)从第一个样本开始,再来一遍,验证权值和阈值。
参考文献:
本文主要参考以下文献
Matlab2016数值计算与智能算法,www.51zxw.net
人工神经网络:感知器相关推荐
- 人工神经网络——感知器介绍
让我们来看一个经典的神经网络.这是一个包含三个层次的神经网络.红色的是输入层,绿色的是输出层,紫色的是中间层(也叫隐藏层).输入层有3个输入单元,隐藏层有4个单元,输出层有2个单元.后文中,我们统一使 ...
- 人工神经网络—感知器算法
感知器算法 1. 回顾 2. 感知器算法 2.1 感知器算法的实现步骤 2.2 算法能停得下来吗? 2.3 基于增广向量的感知器算法 2.4 感知器算法收敛定理 3. 感知器算法收敛的MATLAB程序 ...
- 人工神经网络—感知器算法的意义
感知器算法的意义 1. 回顾 2. 感知器算法的意义 2.1 机器学习算法的框架的提出 2.2 框架的介绍 2.3 感知器算法的优势 3. 结尾 参考资料 1. 回顾 在上一讲中,我们讲到了Rosen ...
- 重要的人工神经元--感知器和Sigmod神经元
重要的人工神经元–感知器和Sigmod神经元 什么是神经元 首先先来解释一下什么是神经元,他有什么用. 人工神经网络是受到人类大脑的结构的启发而创造出来的,如下图所示,在我们的大脑中,有数十亿个称为神 ...
- Simio仿真软件解决方案和AI人工神经网络训练器
人工智能,大数据,系统仿真并列为未来工业基础性技术的三大支柱.将仿真模拟和机器学习(ML)等人工智能技术结合使用的一个重大障碍是:开发人员有不同的背景和使用不同的工具,特别是仿真模型开发人员缺乏开发M ...
- matlab数学建模-神经网络感知器函数
感知器学习规则为调整权重和偏值,使得平局误差性能最小. 绘制样本点函数 p=[0 0 1 1;0 1 0 1]; t=[0 0 0 1]; plotpv(p,t); 绘制分类线函数 plotp(W,B ...
- 神经网络感知器算法调整原理是什么
算法调整原理 如果点分类正确,则什么也不做. 如果点分类为正,但是标签为负,则分别减去 αp,αq, 和 α 至 w_1, w_2,w1,w2, 和 bb 如果点分类为负,但是标签为正,则分别将α ...
- 人工智能-机器学习人工神经网络
机器学习 机器学习部分主要学习的内容是朴素贝叶斯算法和决策树算法. 机器学习研究计算机如何模拟人类的学习行为,获取新的知识或新的技能,重新组织已有知识改善自身性能,使得计算机具有人的学习能力,从而实现 ...
- 计算智能——感知器模型
主要内容 1.感知器总述 2.感知器模型 3.感知器策略(建立损失函数) 4.感知器算法(梯度下降和随机梯度下降) 4.1梯度下降 4.2随机梯度下降 5.感知器MATLAB简单实现 5.1newp函 ...
- 饭桶:10 人工神经网络
文章目录 10.3 单层前向神经网络 例题10.3.1 10.4 多层前向神经网络 10.4 应用举例 10.3 单层前向神经网络 感知器的学习及工作能力十分有限,只在线性可分时才能学习工作. 对感知 ...
最新文章
- 最后一英里连接如何用于SD-WAN部署?—Vecloud微云
- apache安装配置
- 马老师 生产环境mysql主从复制、架构优化方案
- chrome浏览器ios版本迎来“信用卡扫描器”代码
- 百合佳缘、珍爱网等平台严重侵犯消费者权益被约谈
- LOJ.114.K大异或和(线性基)
- firefox 模拟手机
- oracle mysql认证考试流程_报考oraclemysql认证的考试流程是哪些
- DB2 SQLCODE 异常大全编辑(二)
- 还在低头采石油? BP、壳牌、道达尔、中石化早已涌入可再生能源
- Unity 插件 Dynamic Shadow Projector 软阴影的使用
- Mysql 讲解所有的约束类型
- JUC种常用的辅助类
- 弗吉尼亚理工大学计算机科学,美国弗吉尼亚理工大学计算机科学本科.pdf
- python can通信_使用python来调用CAN通讯的DLL实现方法
- ESD5401N-2/TR 瞬态电压抑制器 封装DFN1006-2L WILLSEM
- Ubuntu系统安装时grub修复操作
- Linux中断子系统(一)中断控制器GIC架构
- PHP的ES入门(一)—— Index的创建和删除
- 主流手机开发工作分解