感知器网络

感知器模型分析

感知器神经元模型

单层感知器模型：

-》模型总输入 -》模型输出

                加权矩阵行数-》输出数

                加权矩阵列数-》输入数

                偏置矩阵行数-》输出数

                总输入Y======>>>Y<0-》0

                                                    Y>=0-》1   (0/1为总输出)

w_ij为第i个神经元（后一层）到第j个（前一层）神经元之间的连接值

        感知模型用于分类

学习训练算法（学习===》改变权值）

T:理想输出

训练步骤

1）        对于所要解决的问题，确定输入向量 X,目标向量T,由此确定维数及网络结构参数，n,m;

2) 参数初始化；

3）设定最大循环次数；

4）计算网络输出；

5）检查输出矢量Y与目标矢量T是否相同，如果相同，或以达最大循环次数，训练结束，否则转入6）；

6）学习



    并返回4）。

离散单输出感知器

离散单输出感知器训练算法

1.初始化权向量W，阈值b；

2. 重复下列过程，直到训练完成：

      2.1 对每个样本（X,y），重复如下过程：

           2.1.1 输入X

           2.1.2 计算输出O=F（WX^T+b）；

           2.1.3 按如下公式修正权值矩阵W和阈值B

                      W=W+(y-o)X

b=b+(y-o)

离散多输出感知器

离散多输出感知器训练算法

样本集：{（X,Y）|Y为输入向量X对应的输出}

输入向量：X=（x1，x2，…，xn）

理想输出向量：Y=（ y1，y2，…，ym ）

**函数：F

权矩阵W=（wij）

阈值向量B= （ b1，b2，…，bm ）

实际输出向量：O=（ o1，o2，…，om ）

1.初始化权矩阵W，阈值向量B；

2. 重复下列过程，直到训练完成：

      2.1 对每个样本（X,Y），重复如下过程：

           2.1.1 输入X

           2.1.2 计算输出O=F（WX^T+B）；

           2.1.3 for i=1 to m 执行如下操作：

                   b_i=b_i+(y_i-o_i)

                      for j=1 ton

                            w_ij=w_ij+（y_i-o_i）*x_j

连续多输出感知器训练算法（***）

1.    初始化权矩阵W，阈值向量B；

2.    初置精度控制参数e,学习率a，精度控制变量d= e+1；

3. While d³e do

    3.1 d=0;

      3.2 for 每个样本（X,Y） do

           3.2.1 输入X；

           3.2.2 计算输出O=F（WX^T+B）；

            3.2.3 修改权矩阵W和阈值向量B；

           3.2.4 累积误差

                 for i=1to m do

                  d=d+(y_i-o_i)²