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 ) + 2e(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