W=[249142.30683.1747; 2.2049-1.8247-2.0716; 20938-126910.0395 1.69630.98150.9963] B=[-1.0512;12136;0.4420;:0.3148] 通常可以直接地判断出一个线性网络是否有完美的零误差的解:如果每个神 经元所具有的自由度(即权值与阈值数)等于或大于限制数(即输入瀚输出矢量对, 那么线性网络则可以零误差的解决问题。不过这一事实在当输入矢量是线性相关 或没有阈值时不成 例5.3设计训练一个线性网络实现下列从输人矢量到目标矢量的变换: P=[123 456]; T=[051-1] 由所给输入输出矢量对可知,所要设计的线性网络应具有阀值,并有两个输 入神经元和一个输出神经元。对于这个具有三个可调参数的线性网络,本应得到 完美的零误差的精确解。但是不幸的是所给出的输入矢量元素之间是线性相关 的:第三组元素等于第二组元素的两倍减去第一组:P3=2P2-P1。此时,由于 输入矢量的奇异性,用函数 solvelin. m来设计时网络会产生问题。只有在能够线 性地解出问题的情况下,用函数 solvelin.m才比较准确。若没有准确的零误差, solvelin.m函数会给出最小误差平方和意义下的解。另外当出现奇异矩阵时,使 用 solvelin. m求解权值可能会出现下列警告: Warning: Matrix is singular to working precision. 而当采用 trainwh. m函数则能训练出达到所给定的训练次数时,或所给定的 最小误差意义下的权值时的最小误差。只要将前面已编写的w2m程序中的输入 与目标矢量改变一下,并给出(一1,1)之间的随机初始值,即可运行看到本例的 结果。其最终误差在1.04左右,这就是本例题下的最小误差平方和,而当采用11 通常可以直接地判断出一个线性网络是否有完美的零误差的解：如果每个神 经元所具有的自由度(即权值与阈值数)等于或大于限制数(即输入/输出矢量对)， 那么线性网络则可以零误差的解决问题。不过这一事实在当输入矢量是线性相关 或没有阈值时不成立。 [例 5．3]设计训练一个线性网络实现下列从输人矢量到目标矢量的变换： 由所给输入/输出矢量对可知，所要设计的线性网络应具有阀值，并有两个输 入神经元和一个输出神经元。对于这个具有三个可调参数的线性网络，本应得到 完美的零误差的精确解。但是不幸的是所给出的输入矢量元素之间是线性相关 的：第三组元素等于第二组元素的两倍减去第一组：P3＝2P2－P1。此时，由于 输入矢量的奇异性，用函数 solvelin.m 来设计时网络会产生问题。只有在能够线 性地解出问题的情况下，用函数 solvelin.m 才比较准确。若没有准确的零误差， solvelin.m 函数会给出最小误差平方和意义下的解。另外当出现奇异矩阵时，使 用 solvelin.m 求解权值可能会出现下列警告： Warning：Matrix is singular to working precision. 而当采用 trainwh.m 函数则能训练出达到所给定的训练次数时，或所给定的 最小误差意义下的权值时的最小误差。只要将前面已编写的 wf2.m 程序中的输入 与目标矢量改变一下，并给出(—l，1)之间的随机初始值，即可运行看到本例的 结果。其最终误差在 1.04 左右，这就是本例题下的最小误差平方和，而当采用