【神经网络】感知机算法的收敛性证明

感知机算法的收敛性

感知机学习算法是否收敛？

• 定理：假设给定m个输入样本（ { X ( k ) } , ( k = 1 , 2 , . . . , m ) \{X(k)\},(k=1,2,...,m) { X(k)},(k=1,2,...,m)）线性可分，那么感知机学习算法的权值就会在有限次的步骤中收敛到理想输出。

  • 定性解释：

    如果两类n维样本线性可分，那么一定存在一个n-1维的平面将其分开，n-1维超平面定义为：

    $W(k)=[w_0(k),w_1(k),...w_n(k)]:W^{T}X(k)=0$

    $\to w_0(k)+w_1(k)x_1(k)+...+w_n(k)x_n(k)=0$

    这个超平面将$X(k)$分为两类：

    $W(k{)}^{T}X(k)>0\to y(k)=1\to X(k)\in C_1$

    $W(k{)}^{T}X(k)<0\to y(k)=0\to X(k)\in C_0$

    在训练过程中，感知机的权重不断地在被调整使得分类结果接近正确分类结果。

  • 定量证明：

    假设存在由理想的权值$W^{\ast }$确定的理想超平面$H^{\ast }$，可得到如下结果：

    如果$X(k)\in C_1$，那么$X^T(k)W^{\ast }>0,y(k)=1$；

    如果$X(k)\in C_0$，那么$X^T(k)W^{\ast }<0,y(k)=0$。

    证明：学习算法是否能逼近$W^{\ast }$

    证明：假设$W^{\ast }$是理想权值，那么任意$\alpha >0$，$\alpha W^{\ast }$也是理想权值。因为有：

    $X^T(k)\alpha W^{\ast }>0$，或者 $X^T(k)\alpha W^{\ast }<0$

    理性权值不为1，找到一个，乘任一大于0的常数还是理想权值

    所以，算法逼近$\alpha W^{\ast }$也算逼近理想权值

    证明：存在有限值N，使得$\Vert W(N)-\alpha W^{\ast }{\Vert }^2\stackrel{N\uparrow }{\to }0$。

    证明过程：

    根据学习算法，在第k次迭代过程中，可以得到权值：

    $W(k+1)=W(k)+\eta (d(k)-y(k))X(k)$

    ​ 如果在第k次迭代，$X(k)$被正确分类，那么$d(k)-y(k)=0,W(k+1)=W(k)$

    ​ 如果在第k次迭代中，发生错误分类，那么：

    ​ 情况1：$X(k)\in C$