This is MyC

一个对技术丧失了热情的人不可能成为真正的高手

感知器的简单理解

感知器基本概念:

  • 不断调整权值和阈值的过程称为训练
  • 训练过程中,把输入空间映射到输出空间的能力,称为学习
  • 调整权值和阈值的算法称为学习规则

感知器学习规则称为δ规则,t–目标输出,a–实际输出

e=ta
训练网络的目的就是要使误差e->0.
学习规则:
W(k+1)=W(k)+epT
b(k+1)=b(k)+e
e——误差限量
W——权值向量
b——阈值向量
p——输入向量,训练集包含大量输入向量
k——第k步学习过程
为了防止输入向量取值范围过大,导致学习时间过长,权值调整可以采用归一化的算法:
W(k+1)=W(k)+epT||p||
||p||=n1p2i
学习过程反复进行,只要网络输入模式是线性可分的,则可通过有限步,是e减小到0,即完成训练过程。


训练:

  • 输入向量有几个元素,每层的神经元数量就有几个,权值向量的元素也就有几个
  • 初始化权值向量和阈值向量均为0
  • 迭代过程若输出不等于目标输出,则按照以上公式调整权值阈值
  • 进行第n次迭代,每次从第一个样本向量开始,以前一次的权值和阈值进行计算,直到所有样本的e=0

分类完成的边界由以下边界方程决定:

n=Wp+b

阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/horseinch/article/details/51554033
文章标签: 感知器 神经网络
个人分类: 神经网络
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

不良信息举报

感知器的简单理解

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭