完全线性函数的设计 solvelin.n去求解网络权值时,所得到的误差是425。采用 W-H算法训练出的误差是它的1/4,由此可见其算法的优越性。 [例5.4现在假定在[例5.1的输入/输出矢量中增加两组元素,使其变为 P=[01.53.0-1.2 T=[0.51.13.0-1.0] 本例题的目的是在于了解自适应线性网络的线性逼近求解的能力 此时,所要解决的问题相当于用四个方程解w和b两个未知数。因为方程数 大于未知数,所以采用代数方程是无解的。但仍可以用自适应线性网络来对此问 题求解。仍然是单个输入节点和单个输出节点,网络具有一个权值w和一个偏 差b,通过选定期望误差平方和的值和最大循环次数后,可以让网络进行自行训 练和学习。 图5.4给出了输入输出对的位置以及网络求解的结果。对于所设置的 err goal =0001,在循环训练了50次后所得的误差平方和仍然为:SSE=0289。这个值 即是本题所能达到的最小误差平方和的值,也是用线性网络所能达到的最佳结 果。当采用线性自适应线性网络求解问题所得到的误差特别大时,可以认为此问 题不适宜用线性网络来解决。 图5.4网络训练结果图 由上面的例子可以看出,自适应线性网络仅可以学习输入输出矢量之间的线 性关系,所以对某些问题,自适应线性网络是不能得到满意的结果的。然而,当 个完美的结果不存在,但只要选择足够小的学习速率,自适应线性网络将总是 可以使其误差平方和为最小,网络对其给定的结构,总可得到一个尽可能接近12 完全线性函数的设计 solvelin.m 去求解网络权值时，所得到的误差是 4.25。采用 W—H 算法训练出的误差是它的 1／4，由此可见其算法的优越性。 [例 5．4]现在假定在[例 5．1]的输入／输出矢量中增加两组元素，使其变为 P＝[1.0 1.5 3.0 -1.2] T＝[0.5 1.1 3.0 -1.0] 本例题的目的是在于了解自适应线性网络的线性逼近求解的能力。 此时，所要解决的问题相当于用四个方程解 w 和 b 两个未知数。因为方程数 大于未知数，所以采用代数方程是无解的。但仍可以用自适应线性网络来对此问 题求解。仍然是单个输入节点和单个输出节点，网络具有一个权值 w 和一个偏 差 b，通过选定期望误差平方和的值和最大循环次数后，可以让网络进行自行训 练和学习。 图 5．4 给出了输入输出对的位置以及网络求解的结果。对于所设置的 err_goal ＝0.001, 在循环训练了 50 次后所得的误差平方和仍然为：SSE＝0.289。这个值 即是本题所能达到的最小误差平方和的值，也是用线性网络所能达到的最佳结 果。当采用线性自适应线性网络求解问题所得到的误差特别大时，可以认为此问 题不适宜用线性网络来解决。 图 5. 4 网络训练结果图 由上面的例子可以看出，自适应线性网络仅可以学习输入输出矢量之间的线 性关系，所以对某些问题，自适应线性网络是不能得到满意的结果的。然而，当 一个完美的结果不存在，但只要选择足够小的学习速率，自适应线性网络将总是 可以使其误差平方和为最小，网络对其给定的结构，总可得到一个尽可能接近目