Machine Learning---LMS 算法

Machine Learning---LMS 算法

引言

简单的感知器学习算法(《Machine Learning---感知器学习算法》)会将真个集合正确分类后,才会停止,显然当测试数据多的时候,这种算法会变得迟钝。所以这里,引入一个理念,最小均方算法(Least Mean Square)。

一、LMS算法基本介绍

1.历史

LMS算法首先由Bernard Widrow和Marcian E. Hoff提出,被用于分类计算。大大降低了分类算法的复杂度。LMS算法是一种梯度下降法(Gradient Descent)。

对于LMS的数学证明,这里暂时不做介绍。

所以下面提到的公式,也只做简单性说明,请见谅。

2.均方差

均方差(Mean Square Error)这个概念我就用下面这个公式进行介绍。

 公式(1)

上面的公式1中的R表示正确的预期结果,C表示当前计算结果。这个便是LMS算法中终止算法的核心公式。

对于如何得到“当前计算结果C”,按照下面这个公式进行计算

   公式(2)

对于该公式,笔者在《Machine Learning---感知器学习算法》中有介绍。这里就只做简单解释:i表示输入值,W表示输入端所对应的权值,对这两个值进行乘法运算后,并求和。对于求和的结果可以进行一定处理,比如大于0的O便为1;否则就为-1。

3.权值调整公式

用于调整输入端的权值。

 公式(3)

在算法运行时,不断利用公式2进行输入端的权值调整,使权值越来越接近正确值。其中w便是输入端所对应的权值,I便是输入值, 便是学习参数,一般为小于1的正数。

4.算法流程

下面介绍一下LMS算法的基本流程。

1.     初始化工作,为各个输入端的权值覆上随机初始值;

2.     随机挑选一组训练数据,进行计算得出计算结构C;

3.     利用公式3对每一个输入端的权值进行调整;

4.     利用公式1计算出均方差MSE;

5.     对均方差进行判断,如果大于某一个给定值,回到步骤2,继续算法;如果小于给定值,就输出正确权值,并结束算法。

二、算法实现

以下就给出一段LMS算法的代码。

const unsigned int nTests   =4;
const unsigned int nInputs  =2;
const double rho =0.005;
 
struct lms_testdata
{
    doubleinputs[nInputs];
    doubleoutput;
};
 
double compute_output(constdouble * inputs,double* weights)
{
    double sum =0.0;
    for (int i = 0 ; i < nInputs; ++i)
    {
        sum += weights[i]*inputs[i];
    }
    //bias
    sum += weights[nInputs]*1.0;
    return sum;
}
//计算均方差
double caculate_mse(constlms_testdata * testdata,double * weights)
{
    double sum =0.0;
    for (int i = 0 ; i < nTests ; ++i)
    {
        sum += pow(testdata[i].output -compute_output(testdata[i].inputs,weights),2);
    }
    return sum/(double)nTests;
}
//对计算所得值,进行分类
int classify_output(doubleoutput)
{
    if(output> 0.0)
        return1;
    else
        return-1;
}
int _tmain(int argc,_TCHAR* argv[])
{
    lms_testdata testdata[nTests] = {
        {-1.0,-1.0, -1.0},
        {-1.0, 1.0, -1.0},
        { 1.0,-1.0, -1.0},
        { 1.0, 1.0,  1.0}
    };
    doubleweights[nInputs + 1] = {0.0};
    while(caculate_mse(testdata,weights)> 0.26)//计算均方差,如果大于给定值,算法继续
    {
        intiTest = rand()%nTests;//随机选择一组数据
        doubleoutput = compute_output(testdata[iTest].inputs,weights);
        doubleerr = testdata[iTest].output - output;
        //调整输入端的权值
        for (int i = 0 ; i < nInputs ; ++i)
        {
            weights[i] = weights[i] + rho * err* testdata[iTest].inputs[i];
        }
        weights[nInputs] = weights[nInputs] +rho * err;
        cout<<"mse:"<<caculate_mse(testdata,weights)<<endl;
    }
 
    for(int w = 0 ; w < nInputs + 1 ; ++w)
    {
        cout<<"weight"<<w<<":"<<weights[w]<<endl;
    }
    cout<<"\n";
    for (int i = 0 ;i < nTests ; ++i)
    {
        cout<<"rightresult:êo"<<testdata[i].output<<"\t";
        cout<<"caculateresult:" << classify_output(compute_output(testdata[i].inputs,weights))<<endl;
    }
    //
    char temp ;
    cin>>temp;
    return 0;
}

三、总结

LMS算法的数学方面的说明比较麻烦,所以笔者想之后单独写一篇。

如果有兴趣的可以去看维基百科关于LMS算法的说明,这篇暂时只做编程上的简单介绍。


由于笔者不是专门研究人工智能方面,所以在写这些文章的时候,肯定会有一些错误,也请谅解,上面介绍中有什么错误或者不当地方,敬请指出,不甚欢迎。

如果有兴趣的可以留言,一起交流一下算法学习的心得。


声明:本文章是笔者整理资料所得原创文章,如转载需注明出处,谢谢。






 

评论 10
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值