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 ##学习率 0
最后的权重为W([0.1,0.1]),则:0.1x+0.1y=0 ==>y=-x
即:分类线方程为:y=-x'''def sgn(v): if v>0: return 1 else: return 0 ##跟上篇感知器单样本训练的-1比调整成了0,为了测试需要。-1训练不出结果
##读取实际输出 '''
这里是两个向量相乘,对应的数学公式:
a(m,n)*b(p,q)=m*p+n*q
在下面的函数中,当循环中xn=1时(此时W=([0.1,0.1])):
np.dot(W.T,x)=(1,1)*(0.1,0.1)=1*0.1+1*0.1=0.2>0 ==>sgn 返回1'''def get_v(W,x): return sgn(np.dot(W.T,x))##dot表示两个矩阵相乘##读取误差值def get_e(W,x,d): return d-get_v(W,x)##权重计算函数(批量修正)'''
对应数学公式: w(n+1)=w(n)+a*x(n)*e
对应下列变量的解释:
w(n+1) <= neww 的返回值
w(n) <=oldw(旧的权重向量)
a <= a(学习率,范围:0