神经网络设计 摘要

判定边界  判定边界由那些使净输入为0的输入向量确定

n=wp+b=0, 一个双输入感知器网络,如果取权值为[1,1],则有p1+p2+b=0,其中p=[p1 p2],这是p1,p2平面上的一条直线.

该直线和权值向量w=[1,1]垂直.

 

感知器学习规则:(P42)

1.如果t=1,a=0 则w_new=w_old+p

2.如果t=0,a=1 则w_new=w_old-p

1.如果t=a 则w_new=w_old

用矩阵符号表示为

W_new=W_old+eP

B_new=B_old+e

其中e=t-a

 

hebb规则的输出是接近的，而采用伪逆规则则能产生精确的结果。

应用hebb规则求权值矩阵W=p1p1'+p2p2'+p3p3'第7章应用例子，这个还需要再看看前面的知识。

 

这就是所谓的增量规则，又称为windrow-hoff规则。因为它使用了期望输出和实际输出的差。

增量规则调整权值以使均方差为最小，因而它与伪逆规则得到相同的结果。增量规则的优点是每输入一个向量就可以

调整权值，而伪逆规则要等到所有的输入输出模式都已知后才计算一次规则。