1内星学习规则 实现内星输入/输出转换的激活函数是硬限制函数。 可以通过内星及其学习规则来训练某一神经元节点只响 应特定的输入矢量P,它是借助于调节网络权矢量W近 似于输入矢量P来实现的。 单内星中对权值修正的格劳斯贝格内星学习规则为: A1=·(pjw)·a,j=l,2,…,r (8.1) 由(8.1)式可见,内星神经元联接强度的变化△w1是与 输出成正比的。如果内星输出a被某一外部方式而维护 高值时,那么通过不断反复地学习,权值将能够逐渐趋 近于输入矢量p的值,并趋使Δw1逐渐减少,直至最终 达到M1=p,从而使内星权矢量学习了输入矢量P,达 到了用内星来识别一个矢量的目的。另一方面,如果内 星输出保持为低值时,网络权矢量被学习的可能性较小, 甚至不能被学习8．1．1内星学习规则 实现内星输入／输出转换的激活函数是硬限制函数。 可以通过内星及其学习规则来训练某一神经元节点只响 应特定的输入矢量P，它是借助于调节网络权矢量W近 似于输入矢量P来实现的。 单内星中对权值修正的格劳斯贝格内星学习规则为： (8．1) 由(8．1)式可见，内星神经元联接强度的变化Δw1j是与 输出成正比的。如果内星输出a被某一外部方式而维护 高值时，那么通过不断反复地学习，权值将能够逐渐趋 近于输入矢量pj的值，并趋使Δw1j逐渐减少，直至最终 达到w1j ＝pj，从而使内星权矢量学习了输入矢量P，达 到了用内星来识别一个矢量的目的。另一方面，如果内 星输出保持为低值时，网络权矢量被学习的可能性较小， 甚至不能被学习