感知器准则函数课件_第1页
感知器准则函数课件_第2页
感知器准则函数课件_第3页
感知器准则函数课件_第4页
感知器准则函数课件_第5页
已阅读5页，还剩2页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

感知器准则函数对于任何一个增广权向量a，对样本y正确分类，则有：aTy>0对样本y错误分类，则有：aTy<0定义一准则函数JP(a)(感知准则函数)：

感知器准则被错分类的规范化增广样本集恒有JP(a)≥0，且仅当a为解向量，Yk为空集（不存在错分样本）时，JP(a)=0，即达到极小值。确定向量a的问题变为对JP(a)求极小值的问题。感知器准则函数对于任何一个增广权向量a，感知器准则被错分类1梯度下降算法梯度下降算法：对(迭代)向量沿某函数的负梯度方向修正，可较快到达该函数极小值。

感知器准则梯度下降算法梯度下降算法：对(迭代)向量沿某函数的负梯度方向2算法(stepbystep)感知器准则1.初值:任意给定一向量初始值a(1)2.迭代:第k+1次迭代时的权向量a(k+1)等于第k次的权向量a(k)加上被错分类的所有样本之和与rk的乘积3.终止:对所有样本正确分类任意给定一向量

初始值a(1)a(k+1)=

a(k)+rk×Sum

(被错分类的所有样本)所有样本

正确分类得到合理的a

完成

分类器设计NY算法(stepbystep)感知器准则1.初值:任意3梯度下降算法计算实例有两类的二维数据，其中第一类的两个样本为(1,4)t和(2,3)t，第二类的两个样本为(3,2)t和(4,1)t。假设初始的a=(0,1,0)t，n(k)=1利用批处理感知器算法求解线性判别函数g(y)=aty的权向量a。首先对每个样本增加一维为增广样本。然后规范化第二类的样本为：(-3,-2,-1)t和(-4,-1,-1)t。梯度下降算法计算实例有两类的二维数据，其中第一类的两个样本为4梯度下降算法计算实例计算错分的样本集：g(y1)=(0,1,0)(1,4,1)t=4（正确）g(y2)=(0,1,0)(2,3,1)t=3（正确）g(y3)=(0,1,0)(-3,-2,-1)t=-2（错分）g(y4)=(0,1,0)(-4,-1,-1)t=-1（错分）梯度下降算法计算实例5对错分的样本集求和：(-3,-2,-1)t+(-4,-1,-1)t=(-7,-3,-2)t修正权向量a：a=(0,1,0)t+(-7,-3,-2)t=(-7,-2,-2)t再计算错分的样本集：g(y1)=(-7,-2,-2)(1,4,1)t=-17（错分）g(y2)=(-7,-2,-2)(2,3,1)t=-22（错分）g(y3)=(-7,-2,-2)(-3,-2,-1)t=27（正确）g(y4)=(-7,-2,-2)(-4,-1,-1)t=32（正确）对错分的样本集求和：6对错分的样本集求和：(1,4,1)t+(2,3,1)t=(3,7,2)t修正权向量a：a=(-7,-2,-2)t+(3,7,2)t=(-4,5,0)t再计算错分的样本集：g(y1)=(-4,5,0)(1,4,1)t=16（正确）g(y2)=(-4,5,0)(2,3,1)t=7（正确）g(y3)=(-4,5,0)(-3,-2,-1)t=2（正确）g(y

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论