lms算法跟Rosenblatt感知器相比,主要区别就是权值修正方法不一样。lms采用的是批量修正算法,Rosenblatt感知器使用的
是单样本修正算法。两种算法都是单层感知器,也只适用于线性可分的情况。
详细代码及说明如下:
''' 算法:最小均方算法(lms) 均方误差:样本预测输出值与实际输出值之差平方的期望值,记为MES 设:observed 为样本真值,predicted为样本预测值,则计算公式: (转换为容易书写的方式,非数学标准写法,因为数学符号在这里不好写) MES=[(observed[0]-pridicted[0])*(observed[0]-pridicted[0])+.... (observed[n]-pridicted[n])*(observed[n]-pridicted[n])]/n ''' ''' 变量约定:大写表示矩阵或数组,小写表示数字 X:表示数组或者矩阵 x:表示对应数组或矩阵的某个值 ''' ''' 关于学习效率(也叫步长:控制着第n次迭代中作用于权值向量的调节)。(下面的参数a): 学习效率过大:收敛速度提高,稳定性降低,即出结果快,但是结果准确性较差 学习效率过小:稳定性提高,收敛速度降低,即出结果慢,准确性高,耗费资源 对于学习效率的确定,有专门的算法,这里不做研究。仅仅按照大多数情况下的选择:折中值 ''' import numpy as np a=0.1 #