版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、第二章 單層前向網(wǎng)絡及LMS算法1、單層感知器2、單層感知器的學習算法3、自適應線性神經(jīng)元4、LMS學習算法5、仿真實例神經(jīng)網(wǎng)絡原理1感知器是由美國學者F.Rosenblatt在1957年首次提出的神經(jīng)網(wǎng)絡模型。LMS算法是由Widrow和Hoff在1960年提出的高效率易實現(xiàn)的自適應濾波算法。LMS(Least-Mean-Square)算法,可稱為最小均方誤差算法或梯度算法,也稱為Delta規(guī)則。本章首先介紹單層感知器及其學習算法,然后介紹自適應線性元件及LMS算法,最后給出典型算法的仿真實例。2.1 單層感知器*感知器是神經(jīng)網(wǎng)絡用來進行模式識別的一種最簡單模型。*單層感知器只能用來實現(xiàn)線性
2、可分的兩類模式的識別。*單層感知器模型與MP模型的不同之處是其神經(jīng)元的突觸權值是可調的,這樣就可以進行學習。*感知器模型在神經(jīng)網(wǎng)絡研究中具有重要的意義和地位。2.1.1 單層感知器模型感知器神經(jīng)元模型如圖2.1所示。I/O關系: 圖2.1感知器模型單層感知器模型如圖2.2定義加權系數(shù)wij為第i個神經(jīng)元到第j個輸入之間的連接值。 圖2.2 單層感知器感知器包括一個線性累加器和一個二值閾值元件,同時還有一個外部偏差b。線性累加器的輸出作為二值閾值元件的輸入。二值閾值元件的輸入為正數(shù)時,神經(jīng)元輸出 -1或0 。單層感知器可實現(xiàn)兩類目標的識別,當感知器輸出為+1時,我們認為輸入模式為一類;當感知器輸
3、出為-1時,我們認為輸入模式為另一類。在m維信號空間,單層感知器進行模式識別的判決超平面由下式?jīng)Q定:圖2.3 給出了一種只有兩個輸入 和 的判決超平面的情況,它的判決邊界是直線 圖2.3 兩類模式識別的判定2.1.2單層感知器的學習算法單層感知器的學習算法是基于疊代的思想,通常是采用糾錯學習規(guī)則的學習算法。為方便,將偏差b 作為權向量的一個分量加到權值向量中去,對應的輸入向量也增加一項,可設輸入向量的第一個分量固定為+1,則輸入向量和權值向量可寫成如下形式: 其中,變量n為疊代次數(shù),b(n)可用 表示,則二值閾值元件的輸入(激活值)可重新寫為: 令上式等于零,即可得在m信號空間的單層感知器的判
4、決超平面。 學習算法如下:第一步 設置變量和參量: b(n)為偏差。 y(n)為實際輸出。 d(n)為期望輸出。 為學習速率。 n為迭代次數(shù)。第六步 判斷是否滿足條件,若滿足算法結束,若不 滿足則n值增加1,轉到第三步重新執(zhí)行。注意:在第六步判斷的條件可以是:誤差小于設定值,即 ;權值的變化量已很小,即 迭代次數(shù)大于N在感知器學習算法中,重要的是引入了一個量化的期望輸出d(n),其定義為: 采用糾錯學習規(guī)則對權向量進行逐步修正,對于線性可分的兩類模式,可以證明單層感知器的學習算法是收斂的。2.1.3 matlab工具箱應用該函數(shù)返回一個新的感知器網(wǎng)絡。2. Sim 神經(jīng)網(wǎng)絡仿真函數(shù)sim用于仿
5、真一個神經(jīng)網(wǎng)絡,調用格式為:Y, Pf, Af= sim (net, P, Pi, Ai)其中:net 神經(jīng)網(wǎng)絡;P 網(wǎng)絡的輸入;Pi 初始輸入延遲,缺省值為0;Ai 初始的層延遲,缺省值為0。該函數(shù)返回 Y 網(wǎng)絡的輸出;Pf 最終輸出延遲;Af 最終的層延遲。3. init 神經(jīng)網(wǎng)絡初始化調用格式為:net=init(net)init函數(shù)調用NET.initFcn函數(shù),根據(jù)NET,initParam設定的參數(shù)對網(wǎng)絡的權值和閾值進行初始化。 4. adapt 神經(jīng)網(wǎng)絡的自適應格式:net,Y,E,Pf,Af=adapt (NET, P, T, Pi, Ai )其中:NET 一個神經(jīng)網(wǎng)絡;P 網(wǎng)
6、絡的輸入;Pi 初始輸入延遲,缺省值為0;Ai 初始的層延遲,缺省值為0。返回一個具有適應功能NET.adaptFcn及適應參數(shù)NET.adaptParam的結果:net 修正后的網(wǎng)絡;Y 網(wǎng)絡的輸出;E網(wǎng)絡的誤差;Pf最終輸出延遲;Af最終的層延遲。而參數(shù)T僅對需要目標的網(wǎng)絡是必須的,而且是可任選的。5. train 神經(jīng)網(wǎng)絡的訓練函數(shù)格式:net,tr=train(NET, P, T, Pi, Ai)train函數(shù)是按照NET.trainFcn和NET.trainParam訓練網(wǎng)絡NET的。其中:NET 神經(jīng)網(wǎng)絡;P 網(wǎng)絡的輸入;T 網(wǎng)絡的目標,默認值為0;Pi 初始輸入延遲,默認值為0;
7、Ai 初始的層延遲,默認值為0。返回:net 修正后的網(wǎng)絡;TR 訓練的紀錄(訓練步數(shù)和性能 epoch and perf ).而參數(shù)T僅對需要目標的網(wǎng)絡是必須的,而且是可任選的。Pi 和Ai僅用于具有輸入或層間的延遲的網(wǎng)絡,而且也是可以任選的。6.learnp 感知器的權值/閾值學習函數(shù)格式: dW,LS=learnp(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)db,LS=learnp(b,ones(1,Q),Z,N,A,T,E,gW,gA,D, LP,LS)info = learnp (code)W SR維的權值矩陣(或S1維的閾值向量);P Q組R維的輸入向量(或Q組單個輸
8、入);Z Q組R維的權值輸入向量;N Q組R維的網(wǎng)絡輸入向量;A Q組R維的輸出向量;T Q組R維的目標向量;E Q組R維的誤差向量;gW SR維的性能參數(shù)的梯度;gA Q組R維的性能參數(shù)的輸出梯度;LP 學習參數(shù),若沒有學習參數(shù),LP=;LS 學習狀態(tài),初始值為。函數(shù)返回以下參數(shù):dW SR維的權值(或閾值)變化陣;LS 新的學習狀態(tài);learnp(code) 對于每一個code 代碼返回相應的有 用的信息:pnames 返回學習參數(shù)的名稱;pdefaults 返回默認的學習參數(shù);needg 如果該函數(shù)使用gW或gA,則返回值 為1。即:輸入矢量:P=-0.5 0.5 0.3 0.0; -0
9、.5 0.5 -0.5 1.0目標矢量:T=1.0 1.0 0.0 0.0輸入矢量可以用圖來描述,對應于目標值0.0的輸入矢量用符號表示,對應于目標值1.0的輸入矢量符號+表示。輸入矢量圖 為解決這個問題,首先用函數(shù)newp構造一個輸入向量均在-1,1之間的單個神經(jīng)元感知器: net=newp(-1 1;-1 1,1); 用init 對網(wǎng)絡進行初始化: net=init(net); 利用函數(shù)adapt調整網(wǎng)絡的權值和閾值,直到誤差為0時結束訓練: net,Y,E=adapt(net,P,T); 訓練結束后可得到下圖所示的分類曲線,由圖可見分類線將兩類輸入向量正確地分類:感知器神經(jīng)網(wǎng)絡在取不同的
10、初始條件時,其訓練的結果不同,即用感知器求解分類問題可得到多個解。當網(wǎng)絡訓練完成之后,其權值和閾值就不再改變,這是就可利用訓練好的感知器神經(jīng)網(wǎng)絡來解決實際的分類問題,對任意的輸入矢量進行分類。例如:p=0.7;1.2;a=sim (net, p);得到的分類結果如圖所示:可見感知器網(wǎng)絡能對輸入向量進行正確的分類,同時驗證了網(wǎng)絡的正確性。(源程序見附錄1中的例2.1)感知器應用結果討論局限性1)由于激活函數(shù)為閾值函數(shù),輸出矢量只能取0、1,所以僅可以解決簡單的分類問題;2)輸入矢量線性可分時,學習在有限次數(shù)內收斂;3)輸入矢量的奇異性導致較慢的收斂。比如當輸入/輸出矢量分別為: P=-0.5 0
11、.5 +0.3 0.1 80 -0.5 +0.5 0.5 +1.0 100; T=1 1 0 0 1; 時,必然導致訓練的困難;4)異或問題不可解。2.2自適應線性神經(jīng)元自適應線性神經(jīng)元Adaline模型如圖2.4所示: 圖2.4 自適應線性神經(jīng)元模型 LMS算法模擬輸出二值輸出它實際上是一個連續(xù)時間線性閥值邏輯器件。神經(jīng)元的輸入向量的各分量被權向量加權( 連接單位輸入 ,來控制閥值電平),得到模擬輸出和二值輸出。模擬輸出為:二值輸出為:其中: 為符號函數(shù),當單個神經(jīng)元具有n個二進制輸入,共有 個可能的輸入模式,具有一個模擬輸出和一個二值輸出。單個神經(jīng)元只能實現(xiàn)線性可分函數(shù)。自適應線性神經(jīng)元采
12、用LMS學習算法。 假定只有兩個輸入 和 ,則自適應線性神經(jīng)元的模擬輸出為: 調整臨界閥值條件,可令y輸出為零,有 該直線方程為自適應線性神經(jīng)元實現(xiàn)線性可分函數(shù)。如圖2.5所示,通過學習總是可以得到一條直線將空心小園和實心小園分開。 圖2.5 線性可分模式空間 用自適應線性神經(jīng)元實現(xiàn)非線性可分函數(shù)的方法有兩種,一是對神經(jīng)元施加非線性輸入函數(shù),如圖2.6所示。 圖2.6 兩個非線性輸入的Adaline神經(jīng)元若令Y=0,上式為曲線方程,通過選擇W,可實現(xiàn)非線性函數(shù),使得自適應線性神經(jīng)元具有非線性可分性。如圖2.7所示: 圖2.7 自適應線性元件的非線性可分性 另一種實現(xiàn)非線性函數(shù)可分的方法是由多個
13、自適應線性神經(jīng)元和AND邏輯器件構成的,所謂Madalines網(wǎng)絡,如圖2.8所示。 圖2.8 兩輸入Madalines 模型 AND 其原理是實現(xiàn)多個線性函數(shù),對線性不可非區(qū)域進行劃分。如圖2.9所示:圖2.9 Madalines的非線性劃分2.3 LMS學習算法LMS算法也稱為Widrow-Hoff算法或Delta算法,由于容易實現(xiàn)而很快得到了廣泛的應用,成為自適應濾波的標準算法。Adaline和Madalines模型所采用的就是LMS算法。該方法通過調整單個神經(jīng)元的權值,使神經(jīng)元的實際輸出與理想輸出之差為最小。LMS算法采用了誤差最速下降準則,使用的誤差測度函數(shù)為均方誤差MSE。即權值的
14、調整是按均方誤差函數(shù)負梯度變化。即有其中 是當前權值, 是下一步權值, 是學習率, 是MES曲面上對應于 的梯度值。 設MSE測度函數(shù)(誤差平方和)為其中, 為在j 輸出單元的期望輸出;第j 單元的實際輸出為改寫上式為:其中, 為當前模式輸入向量。定義瞬時梯度為:則有注意,上式采用的是瞬時梯度下降來訓練網(wǎng)絡的權值,因此,LMS算法實際上偏離了E真正的梯度下降方向,是一種近似的梯度下降。但當學習率很小時,這種偏離是可以忽略的。當學習率 比較小時,LMS算法自適應過程較慢, 但這時可記憶更多的過去數(shù)據(jù),從而結果更精確。也可以說,學習率的倒數(shù)表示了LMS算法的記憶容量。 若要實現(xiàn)全局誤差函數(shù)E上的梯
15、度下降,則的變化應正比于負平均梯度,即: 之所以采用瞬時梯度,是因為它可以直接從單個樣本數(shù)據(jù)求得。此外,要計算所有訓練模式的平均梯度是很費時的,因而在實際中很少用。 當用式(2.2)來訓練網(wǎng)絡,為獲得全局誤差最小的最優(yōu)權值,需要無限次的迭代運算。有限次迭代得到的解只是近似解,這是LMS學習算法的一個不足之處。 可以看出,LMS算法與感知器的誤差修正算法在形式上是一樣的,但他們有本質上的差別。差別在于:感知器學習的數(shù)學基礎是模式空間超平面位置的調整;LMS算法學習的數(shù)學基礎是誤差曲面上的梯度下降。LMS算法步驟初始化 。選擇一輸入樣本 。計算實際輸出 。如果誤差 則結束訓練。計算 ,更新 。返回
16、 2網(wǎng)絡應用設計舉例 對線性神經(jīng)元進行訓練設計一個簡單的單層線性神經(jīng)元,使其實現(xiàn)從輸入到輸出的變換關系。 P=+1.0 1.2 T=+0.5 +1.0給出權值和閾值的范圍并繪制誤差曲面及誤差等高線, w_range = -1:0.1:1; b_range = -1:0.1:1; ES = errsurf(P,T,w_range,purelin); plotes(w_range,b_range,ES);誤差曲面及誤差等高線誤差曲面及誤差等高線如下圖所示。學習速率問題 在網(wǎng)絡設計中,學習速率的選取是影響收斂速 度以及訓練結果的一個很重要的因素。只要學 習速率足夠小,采用Widrow-Hoff學習規(guī)
17、則的 線性網(wǎng)絡總可以訓練出一個最小的輸出誤差。 但是當學習速率較大時,可導致訓練過程的不 穩(wěn)定。Matlab工具箱給出了一個正確求解學習 率的函數(shù)maxlinlr。下面我們用maxlinlr求得 的學習率大的值訓練網(wǎng)絡。舉例 學習速率過大輸入和目標與上例相同,但學習率是原來的1.5倍。本例選取的學習率為 maxlr = maxlinlr(P,bias);訓練次數(shù)為 net.trainParam.epochs= 20;建立一個學習率為原來的1.5倍的線性網(wǎng)絡:net = newlin( -2 2,1,0,maxlr*2.25) 該程序的仿真結果為: a= 66.2114 1.誤差曲面及誤差等高線 2.訓練過程的誤差曲線 當學習率選取較大時,誤差越來越大 ,網(wǎng)絡不收斂。如圖所示。舉例 自適應噪聲消除 設計一個自適應線性網(wǎng)絡,使其對輸入信號進行預測。程序如下:time = 1:0.01:2.5;X = sin(sin(time).*time*10);P = con2seq(X);T = con2seq(2*0 X(1:(end-1) + X);plot(time,cat(2,P:),time,cat(2,T:),-);title(Input and Ta
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 風險管理體系建設與實施培訓
- 企業(yè)可持續(xù)發(fā)展中的生產(chǎn)規(guī)劃計劃
- 跨部門協(xié)作提升倉庫運作效率計劃
- 《俄國對人口的抑制》課件
- 《設計模式王維雄》課件
- 《認識折線統(tǒng)計》課件
- 果樹栽培學完整課件各論蘋果
- 反比例函數(shù)的圖像與性質 課件
- 《教師培訓講座》課件
- 酒店簽約報告范文模板
- SPC&CPK 超全EXCEL模板
- 運動場監(jiān)理大綱
- 化工設計說明書
- 部編本語文八年級上全冊文言文課下注釋
- 十二種健康教育印刷資料
- 德力西系列變頻器說明書
- UleadGifAnimator教程
- 凱旋帝景地產(chǎn)杯籃球爭霸賽方案
- 煙草專賣(公司)內部專賣管理監(jiān)督工作制度
- CFG樁施工中常見問題及處理措施
- 醫(yī)療廢物處置流程圖
評論
0/150
提交評論