4.4网络的训练 要使前向神经网络模型实现某种功能,必须对它进行训练,让它逐步学会要 做的事情,并把所学到的知识记忆在网络的权值中。人工神经网络权值的确定不 是通过计算,而是通过网络的自身训练来完成的。这也是人工神经网络在解决问 题的方式上与其他方法的最大不同点。借助于计算机的帮助,几百次甚至上千次 的网络权值的训练与调整过程能够在很短的时间内完成。 感知器的训练过程如下: 在输入矢量P的作用下,计算网络的实际输出A,并与相应的目标矢量T进 行比较,检査A是否等于T,然后用比较后的误差量,根据学习规则进行权值和 偏差的调整;重新计算网络在新权值作用下的输入,重复权值调整过程,直到网 络的输出A等于目标矢量T或训练次数达到事先设置的最大值时训练结束 若网络训练成功,那么训练后的网络在网络权值的作用下,对于被训练的每 组输入矢量都能够产生一组对应的期望输出;若在设置的最大训练次数内,网 络未能够完成在给定的输入矢量P的作用下,使A=T的目标,则可以通过改用 新的初始权值与偏差,并采用更长训练次数进行训练,或分析一下所要解决的问 题是否属于那种由于感知器本身的限制而无法解决的一类 感知器设计训练的步骤可总结如下 )对于所要解决的问题,确定输入矢量P,目标矢量T,并由此确定各矢量 的维数以及确定网络结构大小的神经元数目:r,S和q; 2)参数初始化: a)赋给权矢量w在(-1,1)的随机非零初始值 b)给出最大训练循环次数 max epoch: 3)网络表达式:根据输人矢量P以及最新权矢量W,计算网络输出矢量A 4)检査:检査输出矢量A与目标矢量T是否相同,如果是,或已达最大循环 次数训练结束,否则转入5) 5学习:根据(4.5)式感知器的学习规则调整权矢量,并返回3)。6 4．4 网络的训练 要使前向神经网络模型实现某种功能，必须对它进行训练，让它逐步学会要 做的事情，并把所学到的知识记忆在网络的权值中。人工神经网络权值的确定不 是通过计算，而是通过网络的自身训练来完成的。这也是人工神经网络在解决问 题的方式上与其他方法的最大不同点。借助于计算机的帮助，几百次甚至上千次 的网络权值的训练与调整过程能够在很短的时间内完成。 感知器的训练过程如下： 在输入矢量 P 的作用下，计算网络的实际输出 A，并与相应的目标矢量 T 进 行比较，检查 A 是否等于 T，然后用比较后的误差量，根据学习规则进行权值和 偏差的调整；重新计算网络在新权值作用下的输入，重复权值调整过程，直到网 络的输出 A 等于目标矢量 T 或训练次数达到事先设置的最大值时训练结束。 若网络训练成功，那么训练后的网络在网络权值的作用下，对于被训练的每 一组输入矢量都能够产生一组对应的期望输出；若在设置的最大训练次数内，网 络未能够完成在给定的输入矢量 P 的作用下，使 A＝T 的目标，则可以通过改用 新的初始权值与偏差，并采用更长训练次数进行训练，或分析一下所要解决的问 题是否属于那种由于感知器本身的限制而无法解决的一类。 感知器设计训练的步骤可总结如下： 1)对于所要解决的问题，确定输入矢量 P，目标矢量 T，并由此确定各矢量 的维数以及确定网络结构大小的神经元数目：r，s 和 q； 2)参数初始化： a)赋给权矢量 w 在(—l，1)的随机非零初始值； b)给出最大训练循环次数 max_epoch； 3)网络表达式：根据输人矢量 P 以及最新权矢量 W，计算网络输出矢量 A； 4)检查：检查输出矢量 A 与目标矢量 T 是否相同，如果是，或已达最大循环 次数训练结束，否则转入 5)； 5)学习：根据(4．5)式感知器的学习规则调整权矢量，并返回 3)