线性联想器:a=purelin(Wp), 属于联想存储器的一种
联想存储器:学习Q对标准输入输出向量,{p1,t1}, ..., {pq,tq}. 输入p=px时输出t=tx,输入发生微小波动时输出也应只发生微小波动。
Hebb规则:正的输入产生正的输出,则增加权值,w_new = w_old + alpha*p*t,当t表示对应时刻网络的实际输出时,这是一种无监督学习。而当t表示期望输出时,这就是有监督学习。
性能:如果输入原型向量是标准正交的,则Hebb规则能为每个输入生成正确的输出结果。如果输入原型向量不是标准正交的,输出结果会有偏差,而型原型输入向量之间的相关总和越高,偏差越大。为了减小误差,可以采用多种方法,包括“仿逆规则”
仿逆规则:
条件:误差判定函数选定为矩阵的二阶范数,且向量维数大于向量数。
W = T * P+, P+为P的仿逆矩阵,P+ = inv(P' * P)*P'。(不需要对向量规格化)
应用
自联想存储器:W = sigma(pj * pj')
变形
1. 如果输入向量过多,会使权值矩阵元素过大,可以增加一个大于0小于1的系数(alpha, 学习速度)。也可以增加一个衰减项,使学习规则像一个平滑滤波器,w_new = (1-gama) w_old + alpha*p*t,gama可以称为遗忘系数,越趋近于1表示遗忘得越快。
2. 增量规则,t表示 (期望输出 - 实际输出)。增量规则调整权值以使均方误差最小,与仿逆规则得到的结果相同。 优点是每输入一次向量就改变一次权值。
第七章. 有监督的Hebb学习
最新推荐文章于 2021-07-01 16:33:22 发布