版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u013539952/article/details/82555750
感知器:
也叫神经元,类似于大脑神经细胞,完成输入信号分析输出等一系列过程,是一种早期的神经网络模型
发展历程:
单层感知器结构:
神经网络的作用:调整权值使实际输出接近期望输出。
学习信号:神经元期望输出与实际值输出之差
为期望输出,
为实际输出信号。
为输入信号矩阵,sgn为激活函数,
是实际输出值。
权值调整公式为:
η为学习效率, X 为输入信号,△Wj为权重的调整。
当实际输出与期望输出相同时,权重值不需要调整;有误差时,因dj和sgn(WjT X) = {-1,1},所以权值调整公式可化简为:
感知器学习规则只适用于二进制神经元,初始权值可取任意值。
学习率
- η学习率(0<η<1)
- 学习率太大,容易造成权值调整不稳定
- 学习率太小,权值调整太慢,迭代次数太多
收敛条件:
- 误差小于某个预先设定的较小值
- 两次迭代之间的权值变化已经很小
- 设定最大迭代次数,当超过最大次数就停止