第四章 自适应线性神经元 辈自适应线性神经元模型 单个自适应线性神经元的学习方法 辈单层自适应线性神经元的学习方法 奉MATLAB程序仿真 集关于自适应线性神经元的几点说明 2006-11-28 北京科技大学付冬梅
2006-11-28 北京科技大学 付冬梅 2 第四章 自适应线性神经元 自适应线性神经元模型 单个自适应线性神经元的学习方法 单层自适应线性神经元的学习方法 MATLAB程序仿真 关于自适应线性神经元的几点说明
4.1自适应线性神经元模型 线性神经元模型如图所示： I/O关系 a=purelin(W*P+b) 输入 具有向量输入的线性神经元 此处 R=输入神经元 的个数 a purelin(Wp+b) 2006-11-28 北京科技大学付冬梅 3
2006-11-28 北京科技大学 付冬梅 3 4.1自适应线性神经元模型 线性神经元模型如图所示： I/O关系 a=purelin(W*P+b)
X2 : : w 算法 X2 4 w 算法 2006-11-28 北京科技大学付冬梅 4
2006-11-28 北京科技大学 付冬梅 4
4.2单个自适应线性神经元的学习方法 ■基于最小二乘的一次性学习算法 注意到O=KO'+b,所以有O'=(O-b)/K 同理有：y=y-b)/K,所以X,Y仍是样本对。 y=∑w,x i=0 y X 10 ..Y=XW Y= X ym ∴.W=XX)XY 2006-11-28 北京科技大学付冬梅 5
2006-11-28 北京科技大学 付冬梅 5 基于最小二乘的一次性学习算法 4.2单个自适应线性神经元的学习方法 注意到O=KO’+b，所以有O’=(O-b)/K， 同理有： y’=(y-b)/K，所以{X，Y’}仍是样本对。 ' 0 n i i i y w x = = 1 11 1n m m1 mn y x x Y XW Y ,X y x x = = = W (X X) X Y T 1 T − =
4.2单个自适应线性神经元的学习方法 基于梯度的学习算法（内部反馈） 设经过no次学习以后（即得到第n0个W1w2·wn 后，或者没有初始权值w°w…w后)，对于输入x, 感知机的输出为： y(n)=∑w,(n)x=WIX 其中 1Wn+1=-8 Xn+1三1 又设在同样输入X作用下，样本输出y则感知机的输出误差为 e(no)=y-y(no)e2(no)=[y-y(no)] 2006-11-28 北京科技大学付冬梅 6
2006-11-28 北京科技大学 付冬梅 6 基于梯度的学习算法(内部反馈) 后），对于输入 ， n0 次学习以后（即得到第 n0 个 w w w 1 2 n j x T j n i j y n wi n xi W X + = = = 1 1 0 0 ( ) ( ) wn+1 = − xn+1 1 ( ) ( ) 0 n0 e n y y j = − 2 0 0 2 e (n ) [ y y(n )] j = − 设经过 后，或者没有初始权值 感知机的输出为： 其中 则感知机的输出误差为： j x j 又设在同样输入 作用下，样本输出 y 1 2 0 0 0 w w wn 4.2单个自适应线性神经元的学习方法
4.2单个自适应线性神经元的学习方法 根据建立在梯度法基础上的最小均方差(LMS)算法得知， 被调整的参数（这里是W「）的修改应该向着梯度的反方向进行， 即：W(no+l)=W(no)-n7(no) 此处梯度为：(no)= de2(no)d(y-W'(no)X) =-2e(n) ow(no) aw(no) 因此我们有：W(n。+1)=W(no)+27e(no)XJ 根据上面的推导，我们可以给出感知器（单个且(）=少 权值调整的具体学习步豫： (1)随机初始化权值和阈值： w,(0)=a.random()a≠0，i=1,2,…,n+1 2006-11-28 北京科技大学付冬梅
2006-11-28 北京科技大学 付冬梅 7 根据上面的推导，我们可以给出感知器（单个且 ） 根据建立在梯度法基础上的最小均方差（LMS）算法得知， 被调整的参数（这里是 T W ( 1) ( ) ( ) W n0 + = W n0 − n0 j j T j e n X W n y W n X W n e n n 2 ( ) ( ) ( ( ) ) ( ) ( ) ( ) 0 0 2 0 0 0 2 0 = − − = = j W (n0 +1) =W (n0 ) + 2e(n0 )X f (u) = u ）的修改应该向着梯度的反方向进行， 此处梯度为： 因此我们有： 权值调整的具体学习步骤： 即： （1）随机初始化权值和阈值： (0) random( ) 0, 1,2, , 1 w a a i n i = = + 4.2单个自适应线性神经元的学习方法
4.2单个自适应线性神经元的学习方法 (2)在A样本集合{A,B}中，任选一个x或xB作为输入向量， 比如选中xA中的x作为本次的训练，并以此为输入计算 感知机的输出：y=f(WrX) (3)若y=1,则表明分类正确，而不需要调整权值和阈值，如此 可回到(2)步，并重新选一个新的训练样本。如果y=-1 ,表明将X错分到X°类中了，需按下面步骤调整权值。 (4)设no为送代次数，按： w,(n+1)=w,(n)+27y-y'(n)x(n,) 其中：t,4是理想输出，即样本输出)调整权值，此处门 为学习率。y=1为期望输出，直到计算y=】为止。 2006-11-28 北京科技大学付冬梅 8
2006-11-28 北京科技大学 付冬梅 8 为迭代次数，按： 作为输入向量， ,则表明分类正确，而不需要调整权值和阈值，如此 错分到 类中了，需按下面步骤调整权值。 中的 作为本次的训练，并以此为输入计算 A B x 或x A x x ( ) l T l y = f W X 比如选中 （2）在A样本集合{A，B}中，任选一个 感知机的输出： =1 l y = −1 l y l x B ，表明将 x （3）若 可回到（2）步，并重新选一个新的训练样本。如果 0 n 0 0 0 0 ( 1) ( ) 2 (y ( )) ( ) l l w n w n y n x n i i i + = + − qA t y 1 = y = 1 其中： 是理想输出，即样本输出）调整权值，此处 为学习率。 为期望输出，直到计算 为止。 （4）设 4.2单个自适应线性神经元的学习方法
4.2单个自适应线性神经元的学习方法 (5)重新在A,B样本集中选择另一个样本进行学习，即 重复(2)~(5)，直到 w,(no+1)=w,(no) 对所有i=1,2,…,n+1均成立，对所有样本均正确 分类，则学习结束。 说明：①上面的算法适合f(u)=ku+b这样连续激动函数，但是 此时不能用y(n)=1或-1来作为迭代的标准，往往以误差 大小作为限制，即在算法的第(3)步中，|y-yKe 则不要调整权值，否则进行(4)步。 ②理想输出不一定非得是+1或-1，可以使其他的实数。 2006-11-28 北京科技大学付冬梅 9
2006-11-28 北京科技大学 付冬梅 9 ( 1) ( ) 0 0 w n w n i + = i i =1,2, , n +1 （5）重新在A，B样本集中选择另一个样本进行学习，即 重复（2）~（5），直到 对所有 均成立，对所有样本均正确 分类，则学习结束 。 f u ku b ( ) = + y (n0 ) =1或 −1 l | y | l y e − ①上面的算法适合 这样连续激励函数，但是 来作为迭代的标准，往往以误差 ，则不要调整权值，否则进行（4）步。 说明： 此时不能用 大小作为限制，即在算法的第（3）步中， ②理想输出不一定非得是+1或-1，可以使其他的实数。 4.2单个自适应线性神经元的学习方法
4.2单个自适应线性神经元的学习方法 基于梯度的学习算法（外部反馈） 设经过no次学习以后（即得到第n0个W1w2·wn 后，或者没有初始权值w°w…w后)，对于输入x 感知机的输出为： n+ y(no)=k w;(no)x+b=kw'Xi+b i- 其中 Wn+l =-0 Xn+1三1 又设在同样输入X作用下，样本输出y则感知机的输出误差为 e(no)=y-y(no)e2(no)=[y-y(no)] 2006-11-28 北京科技大学付冬梅 10
2006-11-28 北京科技大学 付冬梅 10 基于梯度的学习算法(外部反馈) 后），对于输入 ， n0 次学习以后（即得到第 n0 个 w w w 1 2 n j x 1 0 0 1 ( ) ( ) n j T j i i i y n k w n x b kW X b + = = + = + wn+1 = − xn+1 1 ( ) ( ) 0 n0 e n y y j = − 2 0 0 2 e (n ) [ y y(n )] j = − 设经过 后，或者没有初始权值 感知机的输出为： 其中 则感知机的输出误差为： j x j 又设在同样输入 作用下，样本输出 y 1 2 0 0 0 w w wn 4.2单个自适应线性神经元的学习方法
4.2单个自适应线性神经元的学习方法 基于梯度的学习算法（外部反馈） 根据建立在梯度法基础上的最小均方差(LMS)算法得知， 被调整的参数（这里是W)的修改应该向着梯度的反方向进行， 即：W(n+1)=W(no)-n(n) 此处梯度为： (n)= de2(n) dy-kW"(n )X-b)=-2ke(n) w(n) ow(n) 因此我们有： W(no+1)=W(no)+2nke(no)X 2006-11-28 北京科技大学付冬梅
2006-11-28 北京科技大学 付冬梅 11 根据建立在梯度法基础上的最小均方差（LMS）算法得知， 被调整的参数（这里是 T W ( 1) ( ) ( ) W n0 + = W n0 − n0 2 2 0 0 0 0 0 0 ( ) ( ( ) ) ( ) 2 ( ) ( ) ( ) j T j e n y kW n X b j n ke n X W n W n − − = = = − 0 0 0 ( 1) ( ) 2 ( ) j W n W n ke n X + = + ）的修改应该向着梯度的反方向进行， 此处梯度为： 因此我们有： 即： 4.2单个自适应线性神经元的学习方法 基于梯度的学习算法(外部反馈)
