神经网络－（4） 感知器.ppt

1、第四章传感器(Perceptron )、传感器由美国计算机科学家罗森布拉特(F.Roseblatt )在1957年提出。 单层传感器神经元模型图：图41传感器神经元模型，F.Roseblatt证明了如果两种模式可以线性分离(意味着超平面存在而将它们分离)，则算法必定收敛。 传感器特别适用于简单的模式分类问题，也可以用于基于模式分类的学习控制。 本节中所说的传感器是指单层传感器。 多层网络为了使用后述的逆传播法进行权重修正，将它们分类为逆传播网络。 根据41传感器的网络结构、网络结构，第I个输出神经元(I 1，2，s )的加权输入以及ni及其输出ai可以通过测试加权输入和值落在阈值函数的左右来对

2、传感器的输出值进行分类，阈值激活函数是图的传感器的网络结构已知，其为传感器的基本功能将输入向量转换为0或1的输出。 这个功能可以通过在输入者向量空间中的绘图来解释。 另外，传感器权重残奥仪表的设定修正目的是基于学习规则设定W*P b0的轨迹，使得输入向量能够实现所期望的位置的区分。 另外，以输入向量r2为例，对于选择出的权重w1、w2及b，能够在分别以p1及p2为横轴、纵轴的输入平面内描绘w*pbw1p110w2p210b0的轨迹，这是因为在一条直线上及该直线以上的全部p1、p2值为w1p110w2p2 因此，在使用探测器对不同的输入向量进行期望输出为0或1的分类的情况下，存在如下问题：对于已

3、知的输入向量在输入空间中形成的不同点的位置，设定探测器的权重w和b，将W*P b0的直线放置在适当的位置，并以期望输出值将输入向量上下分类。 图44是输入向量平面图(该图的横轴有问题)、43传感器的学习规则，学习规则是用于校正新的权重矩阵w和新的偏差b的算法。 该传感器使用该学习规则来调整网络的权重，以使得网络对于输入向量的响应可以是数值0或者第一目标输出。 关于输入向量p、输出向量a和目标向量t的传感器网络，如果第I个神经元的输出正确，则如果存在aiti，则连接到第I个神经元的权重wij和偏差值bi不变。 在第I个神经元的输出优选为0，输出优选为1 (即ai0)，若为ti1，则权重修改算法将

4、输入向量pj与新的权重wij旧的权重wij相加。 同样地，如果新的偏差bi将输入1与旧的偏差bi相加，其中第I个神经元的输出为1，输出为0 (即，存在ai1 )，且优选为ti0，则权重修改算法等于新的权重wij从旧的权重wij减去输入向量pj。 同样，新的偏差bi是旧的偏差bi减去1。 传感器学习规则的本质是权重的变化量等于正负输入向量。对于所有I和j、il、2、s的j1、2、r、传感器修改权重公式是：用于修改传感器权重的学习算法在MATLAB神经网络工具箱中创建一个子例程，并且是1earnp.m的函数只需直接调用该函数，即可得到权重的补偿量。 此函数所需的输入者变量是输入输出向量和目标向量：

5、 p、a、t。 呼叫指令为dW、dBlearnp(P，a，t )； (4-5)、44网络的训练、探测器的训练过程如下：根据输入向量p，校正网络的实际输出a，与该目标向量t进行比较，检查a是否等于t，使用比较误差量， 根据学习规则进行权重和偏差的调整重新计算网络的新权重的输入，重复权重调整过程，直到网络的输出a等于目标向量t或训练次数达到预先设定的最大值为止。、传感器设定修正训练的顺序如下：1)对于要解决的问题，确定输入向量p、目标向量t，从而确定各向量的维数和网络结构大小的神经元数： r、s和q； 2 )残奥仪表初始化： a )给出加权向量w的(l，1 )处的随机非零初始值b )最大训练周期数

6、max_epoch)根据网络表现式：输入者向量p以及最新权重向量w，计算网络输出向量a。 4 )检查：检查输出向量a和目标向量t是否相同，否则达到或达到最大周期数，训练结束，否则转向5 )学习： (45 )根据式传感器的学习规则调整权重向量，转向3 )。 4. 5传感器神经网络应用的界限是，首先，传感器的输出只能取0或1。 特别地，单层传感器只能对可线性分离的向量集合进行分类。 4. 6传感器神经网络设定修正例，例41考虑简单的分类问题。 设定、修正将2维的4组输入向量分类为2种的传感器。 输入矢量为： P-0.5 -0.5 0.3 0。 -0.5 0.5 -0.5 1； 目标向量是T1.0

7、l.0 0 0、代数解法，使用传感器神经网络解决该问题后，网络结构图如图45所示。 由此可知，在单层网络中，网络的输入神经元数r和输出神经元数s分别由输入向量p和目标向量t唯一确定。 关于网络的权重矩阵的维数，Wsr、Bs1权重总数为sr个，偏差个数为s个。 通过确定网络结构，设定最大周期数和加权初始值，设定修正者可以利用MATLAB，根据题意和传感器的学习训练过程制作自己的程序。 练习percepl.m和percep2.m、47的作业，熟悉1.net的属性和传感器相关函数。 设定2p=-1、1、-1、1、-1、-1、-1、-1、-1、-1、1、1。 一，-1，一，一，-1，-1，-1，一，一。 -1，-1，-1，- 1，1，1，1 t=0，1，0，0，1，1，0，1，1，1，1，1绘制传感器网络结构图，编制MATLAB程序解，例如，t=0，0，0，0，1，1，1 制作0，0，0，0，1，1，1，1传感器网络结构图，编制MATLAB程序解决此分类问题。 由于4