一、矢量相关概念
矢量(英语:Vector)是数学、物理学和工程科学等多个自然科学中的基本概念,指一个同时具有大小和方向的几何对象,因常常以箭头符号标示以区别于其它量而得名。直观上,矢量通常被标示为一个带箭头的线段(如右图)。
在进行矩阵运算时,矢量也可以表达成列矢量和行矢量(如下例)。
矢量与基
矢量空间分为有限维矢量空间与无限维矢量空间。在有限维矢量空间中,可以找到一组(有限个)矢量,使得任意一个矢量 都可以唯一地表示成这组矢量的线性组合:
其中的标量是随着矢量 而确定的。这样的一组矢量称为矢量空间的基。给定了矢量空间以及一组基后,每个矢量就可以用一个数组来表示了[5]。两个矢量 和 相同,当且仅当表示它们的数组一样。
两个矢量 和 的和:
它们的数量积为:
- [3]
而标量k与矢量v的乘积则为:
- [3]
- 矢量的大小也叫做范数或模长,记作。有限维空间中,已知矢量的坐标,就可以知道它的模长:
- [3]
二、奇异样本
奇异样本:该样本向量同其他样本向量比较起来特别大或特别小时,网络训练所花费的时间将很长。使用“感知器归一化学习算法”即learnpn函数能有效消除奇异样本的影响,
但是若样本中没有奇异样本则较learnp学习方法效率低
(1)learnp学习方法
(2)learnpn
三、调用learnpn处理刚才的运算,虽然没有奇异样本
%控制感知机的学习过程
P=[0 1 0 1 1;1 1 1 0 0];
T=[0 1 0 0 0];
net = newp([0 1;0 1],1);
net=init(net);
y=sim(net,P);
e=T-y;
while (mae(e)>0.0015)
dw=learnpn(w,P,[],[],[],[],e,[],[],[],[],[])
db=learnpn(b,ones(1,5),[],[],[],[],e,[],[],[],[],[])
%每次学习完后,会返回需要的调整权值矩阵和阈值矩阵
w=w+dw
b=b+db
net.iw{1,1}=w
net.b{1}=b
y=sim(net,P);
e=T-y
end