W=[0.18260.36510.54770.7303] 而当lr=0.3时,其结果为 w=0.18050.36090.54140.7219 由此可见,学习速率较低时,在相同循环次数下,其学习精度较低。但当输入矢量较多 时,较大的学习速度可能产生波动,所以要根据具体情况来确定参数值 在此例题中,因为只有一个输入矢量被置为1,所以实际上,所设置的偏差B=0.95没 有起到作用。内星网络常用在竞争网络以及后面所要介绍的自适应共振理论ART网络中 在那里,其网络的期望输出是通过竞争网络的竞争而得到的。在ART网络中,竞争获胜节 点的有效性是通过所给的相似度B值来决定的 8.1.2外星学习规则 外星网络的激活函数是线性函数,它被用来学习回忆一个矢量,其网络输入P也可以 是另一个神经元模型的输出。外星被训练来在一层s个线性神经元的输出端产生一个特别的 矢量A。所采用的方法与内星识别矢量时的方法极其相似。 对于一个外星,其学习规则为 △wa1=lr(ai-wn)·pj 与内星不同,外星联接强度的变化△w是与输入矢量P成正比的。这意味着当输入矢量 被保持高值,比如接近1时,每个权值w将趋于输出a值,若p=1,则外星使权值产生输 出矢量 当输入矢量p为0时,网络权值得不到任何学习与修正。 当有r个外星相并联,每个外星与s个线性神经元相连组成一层外星时,每当某个外星 的输入节点被置为1时,与其相连的权值到矢量w就会被训练成对应的线性神经元的输出 矢量A,其权值修正方式为 △W=lr·(A-W)·P (8.5) 其中 W=sXr权值列矢量 r=学习速率 A=s×q外星输出5 W＝[0.1826 0.3651 0.5477 0.7303] 而当 lr=0.3 时，其结果为： W=[0.1805 0.3609 0.5414 0.7219] 由此可见，学习速率较低时，在相同循环次数下，其学习精度较低。但当输入矢量较多 时，较大的学习速度可能产生波动，所以要根据具体情况来确定参数值。 在此例题中，因为只有一个输入矢量被置为 l，所以实际上，所设置的偏差 B=-0.95 没 有起到作用。内星网络常用在竞争网络以及后面所要介绍的自适应共振理论 ART 网络中。 在那里，其网络的期望输出是通过竞争网络的竞争而得到的。在 ART 网络中，竞争获胜节 点的有效性是通过所给的相似度 B 值来决定的。 8．1．2 外星学习规则 外星网络的激活函数是线性函数，它被用来学习回忆一个矢量，其网络输入 P 也可以 是另一个神经元模型的输出。外星被训练来在一层 s 个线性神经元的输出端产生一个特别的 矢量 A。所采用的方法与内星识别矢量时的方法极其相似。 对于一个外星，其学习规则为： (8．4) 与内星不同，外星联接强度的变化Δw 是与输入矢量 P 成正比的。这意味着当输入矢量 被保持高值，比如接近 1 时，每个权值 wij 将趋于输出 ai 值，若 pj＝1，则外星使权值产生输 出矢量。 当输入矢量 pj 为 0 时，网络权值得不到任何学习与修正。 当有 r 个外星相并联，每个外星与 s 个线性神经元相连组成一层外星时，每当某个外星 的输入节点被置为 1 时，与其相连的权值到矢量 wij 就会被训练成对应的线性神经元的输出 矢量 A，其权值修正方式为： （8.5） 其中： W＝s×r 权值列矢量； lr＝学习速率； A＝s×q 外星输出；