机器学习计算权重的方法.doc

《机器学习计算权重的方法.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、机器学习计算权重的算法路璐用机器学习来计算权重，有一定的优势，这种计算模型可以根据环境和调节的变化，所算的权重也随着变化，达到与时俱进的效果。对于已经设定好指标的被评估主体，指标体系中各指标有不同的量纲，需要转换为无量纲的标准化指标，关于评估指标标准化方法，在以前的总结中诠释过：评估指标分为正向型和逆向型。正向型具有越大越优的性质，逆向型是越小越优的性质。在（1≤j≤n）个评估指标中，m个评估方案（待评）（1≤i≤m）,m个方案n个指标构成矩阵X=叫做评估矩阵。在评估矩阵中，对于正向指标，取=则=,(1≤i≤m,1≤j≤n);对于逆向型指

2、标，取=，则=,(1≤i≤m,1≤j≤n)。矩阵Y=称为线性比例标准化矩阵，经过线性化指标满足0≤≤1。并且正向和逆向型指标均化为正向指标，最好值为1，最差值为0.把评估过程按层次分为输入、隐含层和输出，每层间是全互联方式，同层间没有连接。设输入向量为X∈,X=;隐含层Z∈,Z=;输出层有Y∈，Y=。输入和隐含层权重为，阈值为；隐含层和输出权重为,阈值为。可得到输出应满足：=f(-)=f(-)函数f（*）满足f（）=如果近似映照函数是F，X为n维空间的有界子集，F（x）为m维空间有界子集，Y=F（x）为：F：通过P个实际的映照对（），（）

3、，……（）的训练，目的是得到权重，和阈值（i=1,2……n；j=1,2，……，l；k=1,2，……m）映射成功后，寻找一个F，进行n维输入向量到m维输出向量空间的变换：F：Y=F(x)训练后得到权重，对其他不属于P(P=1,2……P)的X子集进行测试，使结果满足正确的映照。机器学习的算法是对简单的学习规律的推广和发展。设输入学习样本P个，即已知与其对应的规律是学习算法是根据实际的输出与的误差来修改其权重和阈值，使与要求的尽可能的接近。将阈值写入权重中，使,则公式改写为：=f()=f()当第p个样本输入时，得到的输出，l=0,1，……m，其

4、误差为各输出误差和，满足：=，则总误差为=设包含阈值在内，E为一个与令==W=学习规则实质是利用梯度最速下降法，使权重沿误差函数的负梯度方向改变。若权重的修正值为，则：令g为运算的迭代项数，由梯队下降法，可得到权重的迭代公式为(g+1)=(g)-(g+1)=(g)-式中为学习因子，从式中可知，是j个因子与输出第k个因子的权重，只与输出有关，代入同类项得：(g+1)=(g)-式中：=（）（1-）；(g+1)=(g)-式中：=(1-)其中学习因子取值越小越好。值越大，每次权重变化越剧烈，可能导致学习过程发生振荡。因此，为了学习因子足够大，又不

5、振荡，得：(t+1)=(t)++a[(t)-(t-1)]式中为学习因子，a为动量项，它决定上次学习权重变化对本次权重更新的影响程度。且,.其均方根误差定量反映学习性能：E(W)=式中P表示输入学习样本数；M表示因子输出层数。按照梯度最速下降算法，均方根误差应是逐渐减小。输入和输出是实数值，学习是否满足性能要求是由实际输出与期望输出的逼近程度决定。当E（w）值低于0.1时，表明给定输入样本学习以满足要求。通过这样的机器学习算法，可以让得到的因子间权重适应环境和条件的变化。二〇一六年四月二十一日