资源描述：
《机器学习计算权重的方法.docx》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、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fj（1≤j≤n）个评估指标中，m个评估方案（待评）ai（1≤i≤m）,m个方案n个指标构成矩阵X=（xij）m*n叫做评估矩阵。在评估矩阵中，对于正向指标，取xj*=max1≤i≤m（xij）≠0,则yij=xi
2、jxj*,(1≤i≤m,1≤j≤n);对于逆向型指标，取xj*=mix1≤i≤m（xij），则yij=xj*xij,(1≤i≤m,1≤j≤n)。矩阵Y=（yij）m*n称为线性比例标准化矩阵，经过线性化指标满足0≤yij≤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∈Rn,X=(x1,x2,….xn,)T;隐含层Z∈Rj,Z=(z1,z2,….zj,)T;输出层有Y∈Rm，Y=(y1,y2,….ym,)T。输入和隐含层权重为Wij，阈值为pj；隐含层和输出权重
3、为Wjk,阈值为pk。可得到输出应满足：Zj=f(i=1nWijXi-pj)Yk=f(j=1lWjkZj-pk)函数f（*）满足f（uj）=11+e-u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：X∁Rn→Y∁Rm通过P个实际的映照对（x1，y1），（x2，y2），……（xp，yp）的训练，目的是得到权重Wij，Wik和阈值pj，pk（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：Rn→RmY=F(x)训练后得到权重，对其他不属于P(P
4、=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x1，x2，……xp，已知与其对应的规律是T1，T2，……Tp，学习算法是根据实际的输出y1，y2，……yp，与T1，T2，……Tp的误差来修改其权重和阈值，使Yp与要求的Tp尽可能的接近。将阈值写入权重中，使pj=W0j，pk=W0k,Z0=-1,X0=-1,则公式改写为：Zj=f(i=0nWijXi)Yk=f(j=0lWjkZj)当第p个样本输入时，得到的输出Yl，l=0,1，……m，其误差为各输出误差和，满足：Ep=12l=0m(tlp-
5、ylp)∧2，则总误差为E=p=1pEp=12p=1pl=0m(tlp-ylp)∧2设Wsh为任意的权重，Wsh包含阈值在内，E为一个与Wsh有关的非线性误差函数。令ε=Ep=12l=0m(tlp-ylp)∧2E=p=1pEp=p=1pε（W,Tp,Xp）W=(W11,……,Wsh,……)T∂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Wsh的修正值为∆Wsh，则：∆Wsh∝EεWsh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Wjk(g+1)=Wjk(g)-ϑφWφWjkWij(g+1)=Wij(g)-ϑφWφWij式中ϑ
6、为学习因子，从式中可知，Wjk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：Wjk(g+1)=Wjk(g)-ϑp=1pφjkpZjp式中：φjkp=（tlp-ylp）ylp（1-ylp）；Wij(g+1)=Wij(g)-ϑp=1pφijpXlp式中：φjkp=Zjp(1-Zjp)k=0mφjkpWjk其中学习因子ϑ取值越小越好。ϑ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，又不振荡，得：Wji(t+1)=Wji(t)+ϑφkiXki+a[Wji(t)-Wji(t-1)]式中ϑ为学习因子，a为动量项，它决定上次学习权重
7、变化对本次权重更新的影响程度。且0<ϑ<1,0
