1.感知机算法实现与设计
感知器是一种神经网络模型,是20世纪50年代中期到60年代人们对模拟人脑神经学习分类过程机制的一种称呼,当时有学者认为它是学习能力最强的模型,后来发现估计过高,由于无法实现非线性分类,到60年带中期,从事感知器研究的学者纷纷转移研究方向。但是在发展感知器所获得的一些数学概念,如赏罚(reward-publishment conception)概念仍在模式识别中起着很大的作用
2.感知机学习的准则函数
对于权向量a,如果某个样本Yk被错分,则aT*Yk<=0,我们可以对所有错分样本求和来表示对错分样本的惩罚,J(a)=(-aT*y),
即y被错分时,aT*y<=0, 此时-aT*y>=0.
当且仅当Jp(a*)=minJp(a*)=0时,a*为解向量
3.梯度下降算法
原理:
首先从一个随机选择的权向量a(1)开始,计算其梯度向量∇(J(a)),下一个值由a2,由a1下降最陡的方向移动一段距离得到。通常a(k+1)可以由下面的通式得到:
a(k+1)=a(k)-k*∇J,
其中k学习率.