采用感知器学习规则,训练步骤如下:
Step 1:
对各权值w0j(0), w2j(0), …, w nj(0), j=1, 2, …, m (m 为计算层的节点数)赋予较小的
非零随机数,设置p=1;
Step 2:
输入样本对{X p,d p},其中X p = (-1, x1
p, x2
p , …, x n
p), d p = (d1
p, d2
p , …, d n
p)为期望
的输出向量(教师信号),上标p 表示样本对的模式序号,设样本总数为P,则p = 1, 2, …, P;
Step 3:
计算各节点的实际输出p ( ) sgn( T ( ) p ), 1,2,...,
j j o t W t X j m
Step 4:
调整各节点对应的权值,( 1) ( ) [ p p ( )] p
j j j j W t W t d o t X
η为学习率,用于控制调整速度,η值太大会影响训练的稳定性,太小则使训练的1 2 ( , ,..., ..., )T
j m 输出层O o o o o
输入层 1 2 ( , ,..., ,..., ) j m W W W W W
0 1 2 ( , , ,..., ,..., )T
i n X x x x x x
单层感知器模型
1 ... ... j m o o o
1 j m W W W
0 1 2 ... ... i n x x x x x
2
收敛速度变慢,一般取0
Step 5:
p=p+1,如果p ≤P,返回到Step2 ,否则转到Step 6 ;
Step 6:
如果感知器对所有样本的实际输出与期望输出相等,则停止;否则设置p=1,返回Step2。
四、实验步骤: