对于输入矢量P,输出矢量A,目标矢量为T的感知器网络,感知器的学习 规则是根据以下输出矢量可能出现的几种情况来进行参数调整的。 1)如果第i个神经元的输出是正确的,即有:a=t,那么与第i个神经元 联接的权值w和偏差值b保持不变; 2)如果第i个神经元的输出是0,但期望输出为1,即有a=0,而t=1, 此时权值修正算法为:新的权值w为旧的权值w加上输人矢量p; 类似的,新的偏差bi为旧偏差b加上它的输入1; 3)如果第i个神经元的输出为1,但期望输出为0,即有a=1,而ti=0, 此时权值修正算法为:新的权值w等于旧的权值w减去输入矢量p 类似的,新的偏差b为旧偏差b减去1。 由上面分析可以看出感知器学习规则的实质为:权值的变化量等于正负输入 矢量。具体算法总结如下 对于所有的i和j,i=l,2,…,s;j=1,2,…,r,感知器修正权值公式 为: △wyg=(t;-y;)×P Ab;=(t1-y;)×1 用矢量矩阵来表示为: w=w+Epr B=B+E (4-5) 此处,E为误差矢量,有E=T-A 感知器的学习规则属于梯度下降法,该法则已被证明:如果解存在,则算法 在有限次的循环迭代后可以收敛到正确的目标矢量。 上述用来修正感知器权值的学习算法在 MATLAB神经网络工具箱中已编成 了子程序,成为一个名为 learnp.的函数。只要直接调用此函数,即可立即获 得权值的修正量。此函数所需要的输人变量为:输入、输出矢量和目标矢量:P、 A和T。调用命令为 Idw, dB]=learnp(P,A, T)5 对于输入矢量 P，输出矢量 A，目标矢量为 T 的感知器网络，感知器的学习 规则是根据以下输出矢量可能出现的几种情况来进行参数调整的。 1) 如果第 i 个神经元的输出是正确的，即有：ai＝ti，那么与第 i 个神经元 联接的权值 wij 和偏差值 bi 保持不变； 2) 如果第 i 个神经元的输出是 0，但期望输出为 1，即有 ai＝0，而 ti＝1， 此时权值修正算法为：新的权值 wij 为旧的权值 wij 加上输人矢量 pj； 类似的，新的偏差 bi 为旧偏差 bi 加上它的输入 1； 3) 如果第 i 个神经元的输出为 1，但期望输出为 0，即有 ai＝1，而 ti＝0， 此时权值修正算法为：新的权值 wij 等于旧的权值 wij 减去输入矢量 pj； 类似的，新的偏差 bi 为旧偏差 bi 减去 1。 由上面分析可以看出感知器学习规则的实质为：权值的变化量等于正负输入 矢量。具体算法总结如下。 对于所有的 i 和 j，i＝l，2，…，s；j＝1，2，…，r，感知器修正权值公式 为： (4-4) 用矢量矩阵来表示为： （4－5） 此处，E 为误差矢量，有 E＝T－A。 感知器的学习规则属于梯度下降法，该法则已被证明：如果解存在，则算法 在有限次的循环迭代后可以收敛到正确的目标矢量。 上述用来修正感知器权值的学习算法在 MATLAB 神经网络工具箱中已编成 了子程序，成为一个名为 1earnp.m 的函数。只要直接调用此函数，即可立即获 得权值的修正量。此函数所需要的输人变量为：输入、输出矢量和目标矢量：P、 A 和 T。调用命令为： [dW，dB]＝1earnp(P，A，T)；