感知器的学习算法

感知器的学习算法1离散单输出感知器训练算法设网络输入为n维向量X =(x ,x，,x)，网络权值向量为W = 6),7、)01n-101n-1样本集为AX ,d ),神经元激活函数为f,神经元的理想输出为d，实际输出为y。ii算法如下：Stepl：初始化网络权值向量W ；Step2:重复下列过程，直到训练完成：(2.1) 对样本集中的每个样本(X,d)，重复如下过程:(2.1.1 )将X输入网络；(2.1.2) 计算 y = f (WX T)；(2.1.3) 若y 丰 d，则当y = 0时，W = W +a - X ；否则W = W -a - X。2离散多输出感知器训练算法设网络的n维输入向量为X =(x ,x，,x )，网络权值矩阵为W= i ,网络理想输出向量为m维，即D =(d ,d，,d)，样本集为Kx ,D),神经元激活函数为f，0 1m -1i i网络的实际输出向量为Y = G , y，,y ) O0 1m -1算法如下：Step1：初始化网络权值矩阵W ；Step2：重复下列过程，直到训练完成：(2.1) 对样本集中的每个样本(X,D)，重复如下过程：(2.1.1) 将X输入网络；(2.1.2) 计算Y = f (XWT)；(2.1.3) 对于输出层各神经元j ( j = 0,1,m-1 )执行如下操作：若 y 丰 d，则当 y = 0 时，wx， i = 0,1，,n 一 1 ；j jjjijii否则w = w -a - x， i = 0,1，,n -1。jijii3连续多输出感知器训练算法设网络的n维输入向量为X = (x ,x，,x )，网络权值矩阵为W=丨,网络理/0 1、 n-1/mxnji、想输出向量为m维，即D = Q ,d，,d)，实际输出向量Y =(y,y，,y )，样本集0 1m -10 1m-1为X ,D)，神经元激活函数为f，为训练的精度要求。ii算法如下：Stepl：初始化网络权值矩阵W (小的伪随机数)；Step2：设置精度控制参数，学习率，设精度控制变量 =+1 ；Step3：若 ，重复下列过程：(3.1) 令 二 0 ；(3.2) 对样本集中的每个样本(X,D)，重复如下过程：(3.2.1) 将 X 输入网络；(3.2.2) 计算Y = f (XWt)；(3.2.3) 按如下方法修改网络权值：co =+ a (d y )x ， j 二 0,1, ,m 1， i 0,1, ,n 1jijij j i(3.2.4) 计算累积误差： +(d y )2， j 0,1，,m 一1jj