- 1、本文档共34页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第05章 自适应线性元件
自适应线性元件(Adaptive Linear Element ,简称
Adaline)
由威德罗(Widrow )和 (Hoff )首先
它与感知器的主要不同之处在于其神经元有一个
线性激活函数,这允许输出可以是任意值,而
不仅仅只是像感知器中那样只能取0或1。
它采用的是W—H学习法则,也称最小均方差
( )规则对权值进行训练
自适应线性元件的主要用途是线性 近一个函数
式而进行模式联想。
5 .1 自适应线性神经元模型和
结构
图5. 1 自适应线性神经网络的结构
5 .2 W -H学习规则
W—H学习规则是由威德罗和 用
来修正权矢量的学习规则
采用W—H学习规则可以用来训练一定网络
的权值和偏差使之线性地 近一个函数
式而进行模式联想(Pattern Association) 。
定义一个线性网络的输出误差函数为:
我们的目的是通过调节权矢量,使E(W ,B)达到最小值。
所以在给定E(W ,B)后,利用W—H学习规则修正权矢量
和偏差矢量,使E(W ,B)从误差空间的某一点开始,沿
着E(W ,B) 的斜面向下滑行。
根据梯度下降法,权矢量的修正值正比于当前位
置上E(W ,B) 的梯度,对于第i个输出节点有:
或表示为:
(5. 3 )
η为学习速率。在一般的实际运用中,实践表明,
η通常取一接近1的数,或取值为:
(5.5 )
学习速率的这一取法在神经网络工具箱中用函数
maxlinlr.m来实现。(5 .5)式可实现为:
W—H学习规则的函数为:learnwh.m来实现,加上线性
自适应网络输出函数purelin.m ,可以写出W—H学习规
则的计算 为:
A =purelin(W*P) ;
E =T—A ;
[dW,dB] =learnwh(P ,E ,h) ;
W =W十dW ;
B =B十dB ;
采用W—H规则训练自适应线性元件使其能够得以收敛
的必要条件是被训练的输入矢量必须是线性独立的,
且应适当地选择学习速率以防止产生振荡现象。
5 .3 网络训练
自适应线性元件的网络训练过程可以归纳为以下
三个步骤:
1)表达:计算训练的输出矢量A =W*P十B ,以及
与期望输出之间的误差E =T—A ;
2)检查:将网络输出误差的平方和与期望误差相
比较,如果其值小于期望误差,或训练已达到
事先设定的最大训练次数,则停止训练;否则
继续;
3)学习:采用W—H学习规则计算新的权值和偏
差,并返回到1)。
采用 进行自适应线性元件网络的训练过程如下:
trainwh.m
%表达式
A=purelin(W*P ,B);
E=T-A ;
SSE=sumsqr(E); %求误差平方和
for epoch =1: max_epoch %循环训练
if SSE<err_goal %比较误差
epoch =epoch—1;
break %若满足期望误差要求,结束训练
end
[dW,dB] =1earnwh(P ,E ,lr) ;%修正权值
W =W十dW ;
B =B十dB;
A =purelin(W*P ,B) ; %网络输出
E =T-A ;
SSE=sumsqr(E) ; %计算网络误差平方和
end
5 .4例题与分析
[例5 .1]设计自适应线性网络实现从输入矢
量到输出矢量的变换关系。其输入矢量
和输出
文档评论(0)