神经网络实用教程 教学课件 作者 张良均　曹晶 2.2 单层感知器模型与学习算法.ppt

《神经网络实用教程 教学课件 作者 张良均　曹晶 2.2 单层感知器模型与学习算法.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、2.2感知器神经网络模型与学习算法2.2.1单层感知器概述由美国学者Rosenblatt在1957年首次提出学习算法是Rosenblatt在1958年提出的包含一个突触权值可调的神经元属于前向神经网络类型只能区分线性可分的模式IEEE设立以其名字命名的奖项9/21/20212.2.1单层感知器单层感知器模型9/21/20212.2.1单层感知器单层感知器工作原理单层感知器可将外部输入分为两类和。当感知器的输出为+1时，输入属于类，当感知器的输出为-1时，输入属于类，从而实现两类目标的识别。在维空间，单层感知器进行模

2、式识别的判决超平面由下式决定：9/21/20212.2.1单层感知器单层感知器工作原理对于只有两个输入的判别边界是直线（如下式所示）,选择合适的学习算法可训练出满意的和，当它用于两类模式的分类时，相当于在高维样本空间中，用一个超平面将两类样本分开。9/21/20212.2.2单层感知器的学习算法单层感知器学习算法思想基于迭代的思想，通常是采用误差校正学习规则的学习算法。可以将偏差作为神经元突触权值向量的第一个分量加到权值向量中输入向量和权值向量可分别写成如下的形式：令上式等于零，可得到在维空间的单层感知器的判别超平

3、面。9/21/20212.2.2单层感知器的学习算法单层感知器学习算法第一步,设置变量和参量。为激活函数,为网络实际输出，为期望输出，为学习速率，为迭代次数，为实际输出与期望输出的误差。第二步,初始化给权值向量的各个分量赋一个较小的随机非零值，置第三步,输入一组样本，并给出它的期望输出。第四步,计算实际输出:第五步,求出期望输出和实际输出求出差根据误差判断目前输出是否满足条件，一般为对所有样本误差为零或者均小于预设的值，则算法结束，否则将值增加1，并用下式调整权值：然后转到第三步，进入下一轮计算过程9/21/202

4、12.2.3单层感知器的MATLAB实现MATLAB中单层感知器常用工具函数名称和基本功能函数名功能newp()生成一个感知器hardlim()硬限幅激活函数learnp()感知器的学习函数train()神经网络训练函数sim()神经网络仿真函数mae()平均绝对误差性能函数plotpv()在坐标图上绘出样本点plotpc()在已绘制的图上加分类线9/21/20212.2.3单层感知器的MATLAB实现newp()功能：创建一个感知器神经网络的函数格式：net=newp(PR，S，TF，LF)说明：net为生成的感

5、知机神经网络；PR为一个R2的矩阵，由R组输入向量中的最大值和最小值组成；S表示神经元的个数；TF表示感知器的激活函数，缺省值为硬限幅激活函数hardlim；LF表示网络的学习函数，缺省值为learnphardlim()功能硬限幅激活函数格式A=hardlim(N)说明函数hardlim(N)在给定网络的输入矢量矩阵N时，返回该层的输出矢量矩阵A。当N中的元素大于等于零时，返回的值为l；否则为0。也就是说，如果网络的输入达到阈值，则硬限幅传输函数的输出为1；否则，为0。learnp()功能感知机的权值和阈值学习函数

6、9/21/20212.2.3单层感知器的MATLAB实现train()功能神经网络训练函数格式[net，tr，Y，E，Pf，Af]=train(NET，P，T，Pi，Ai，VV，TV)说明net为训练后的网络；tr为训练记录；Y为网络输出矢量；E为误差矢量；Pf为训练终止时的输入延迟状态；Af为训练终止时的层延迟状态；NET为训练前的网络；P为网络的输入向量矩阵；T表示网络的目标矩阵，缺省值为0；Pi表示初始输入延时，缺省值为0；Ai表示初始的层延时，缺省值为0；VV为验证矢量（可省略）；TV为测试矢量（可省略）。

7、网络训练函数是一种通用的学习函数，训练函数重复地把一组输入向量应用到一个网络上，每次都更新网络，直到达到了某种准则，停止准则可能是达到最大的学习步数、最小的误差梯度或误差目标等。9/21/20212.2.3单层感知器的MATLAB实现sim()功能对网络进行仿真格式(1)[Y，Pf，Af，E，perf]=sim(NET，P，Pi，Ai，T)(2)[Y，Pf，Af，E，perf]=sim(NET，{QTS}，Pi，Ai，T)(3)[Y，Pf，Af，E，perf]=sim(NET，Q，Pi，Ai，T)说明Y为网络的输出

8、；Pf表示最终的输入延时状态；Af表示最终的层延时状态；E为实际输出与目标矢量之间的误差；perf为网络的性能值；NET为要测试的网络对象；P为网络的输入向量矩阵；Pi为初始的输入延时状态（可省略）；Ai为初始的层延时状态（可省略）；T为目标矢量（可省略）。式(1)、(2)用于没有输入的网络，其中Q为批处理数据的个数，TS为网络仿真的时间步数。9/21/20