outstar
希望网络将某种刺激和一个特定输出向量a`联想,可以简单的设置W(仅包含一个单列向量)等于a`。这时如果p=1,输出将是a`,
!我们通过将权值矩阵的一列设置为目标向量来构造一个回忆网络,而在前面是通过设置权值矩阵的一行为目标向量来设计识别网络。
outsar规则
与Instar规则相反,限制权值衰减项与网络输入pj成比例,当学习发生时,列向量wj想输出向量移动:
训练如下的回忆器:
其中
网络的两个输入p0(无条件刺激),以及通过视觉确认菠萝的信号p(条件刺激)。
无条件刺激的权值矩阵w0被设置为单位矩阵,所以任何测量值集合p0(取±1)可以拷贝到输出a。网络的输出反应了对当前被检验水果的测量值。训练过程如下:
第一次迭代时看到了菠萝,但测量值不对,这时因为还没有学习到,且测量系统还没有开始工作
更新后的权值保持不变,
第二次迭代时,菠萝被看见,且获得正确的测量值。
权值更新为:
因为可同时获得菠萝的视觉和测量值,因此网络形成了两只之间的联想。权值矩阵是测量值的靠背,所以测量值在以后就可以成为回忆。
在第三次迭代中,测量值再次不可用,但输入为
网络现在在测量系统失效时,也能回忆菠萝的测量值。从现在起,权值只有在菠萝被看到,且具有不用的测量值时才会发生变化。