plot(ILW W, [LB B],'r-): drawnow flops(temp) pause(pausetime) d %误差记录 A=purelin(W*P, B): oterrferrors) d 5.5对比与分析 到目前为止,我们已经学习了感知器和自适应线性网络。这两类网络在其结 构和学习算法上都没有什么太大的差别,甚至是大同小异。我们前面在人工神经 网络的发展历史中已经介绍过,这两种模型实际上是最早的模型,且自适应线性 网络是在感知器的研究基础上建立发展起来的。不过就是从它们细小的区别上 我们也能够看到它们之间功能的不同点,而这些不同点,在其它各种神经网络中 表现得更加突出。所以在此想再次强调一下学习人工神经网络的重点在于掌握不 同的概念上,在于掌握不同网络名称的不同特点上。这些特点主要表现在下面三 点上: (1)网络模型结构上 一种网络有一种结构。我们已学过的感知器和自适应线性网络,几乎具有相 同的结构,但其他网络如霍普菲尔德网络就完全是另外一种结构。可以说所有的 不同的网络都是为了完成某一需要而设计成特有的网络模型结构。我们必须了解 各自独特的结构以及所达到的不同作用。只有这样,我们才能够设计出符合特殊 需要的其他网络结构来。 就感知器和自适应线性网络而言,结构上的主要区别在于激活函数:一个是 二值型的,一个线性的。仅此一点,就使得感知器仅能做简单的分类工作,而自 适应线性网络除了有分类功能外,还可以进行线性逼近。当把偏差与权值考虑成17 plot([LW W], [LB B], ‘r-‘); drawnow flops(temp); pause2(pausetime) end end %误差记录 A＝purelin(W*P, B); ploterr(errors) end 5．5 对比与分析 到目前为止，我们已经学习了感知器和自适应线性网络。这两类网络在其结 构和学习算法上都没有什么太大的差别，甚至是大同小异。我们前面在人工神经 网络的发展历史中已经介绍过，这两种模型实际上是最早的模型，且自适应线性 网络是在感知器的研究基础上建立发展起来的。不过就是从它们细小的区别上， 我们也能够看到它们之间功能的不同点，而这些不同点，在其它各种神经网络中 表现得更加突出。所以在此想再次强调一下学习人工神经网络的重点在于掌握不 同的概念上，在于掌握不同网络名称的不同特点上。这些特点主要表现在下面三 点上： (1)网络模型结构上 一种网络有一种结构。我们已学过的感知器和自适应线性网络，几乎具有相 同的结构，但其他网络如霍普菲尔德网络就完全是另外一种结构。可以说所有的 不同的网络都是为了完成某一需要而设计成特有的网络模型结构。我们必须了解 各自独特的结构以及所达到的不同作用。只有这样，我们才能够设计出符合特殊 需要的其他网络结构来。 就感知器和自适应线性网络而言，结构上的主要区别在于激活函数：一个是 二值型的，一个线性的。仅此一点，就使得感知器仅能做简单的分类工作，而自 适应线性网络除了有分类功能外，还可以进行线性逼近。当把偏差与权值考虑成