第五講從感知器算法到機器學習演示文稿_第1頁
第五講從感知器算法到機器學習演示文稿_第2頁
第五講從感知器算法到機器學習演示文稿_第3頁
第五講從感知器算法到機器學習演示文稿_第4頁
第五講從感知器算法到機器學習演示文稿_第5頁
已閱讀5頁，還剩8頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

第五講從感知器算法到機器學習演示文稿現(xiàn)在是1頁\一共有13頁\編輯于星期五優(yōu)選第五講從感知器算法到機器學習現(xiàn)在是2頁\一共有13頁\編輯于星期五現(xiàn)在是3頁\一共有13頁\編輯于星期五現(xiàn)在是4頁\一共有13頁\編輯于星期五現(xiàn)在是5頁\一共有13頁\編輯于星期五§5.2M-P模型1943年，McCulloch和Pitts提出了一種神經(jīng)元模型：其中輸入向量為：權(quán)值向量為：神經(jīng)元的輸入/輸出關(guān)系為：現(xiàn)在是6頁\一共有13頁\編輯于星期五§5.3構(gòu)造人工神經(jīng)網(wǎng)絡的基本要素（1）神經(jīng)元的激勵函數(shù)（輸入/輸出特性）（2）網(wǎng)絡的拓撲結(jié)構(gòu)（3）確定權(quán)值的方法——學習算法現(xiàn)在是7頁\一共有13頁\編輯于星期五§5.4感知器算法原理（1）歷史背景

1958年,FrankRosenblatt提出了感知機(Perceptron)。史稱第一個機器學習模型。標志著對學習過程進行數(shù)學研究的開端。（2）單個神經(jīng)元的的感知機利用McCulloch和Pitts神經(jīng)元模型，選激勵函數(shù)為：令則現(xiàn)在是8頁\一共有13頁\編輯于星期五（3）感知器學習算法（學習規(guī)則）

Step1，隨機初始化權(quán)值和域值

Step2，在樣本集合或中任選一個類屬已知的樣本作為感知器的輸入，計算其實際輸出

Step3，對Step2中所得輸出結(jié)果進行甄別檢驗，若分類正確，則不需要進行權(quán)值調(diào)整，若分類出錯，則按Step4中的算式進行權(quán)值調(diào)整。（可見，感知過程是一個有錯必改的過程。）

現(xiàn)在是9頁\一共有13頁\編輯于星期五Step4，設n0為當前迭代次數(shù)，則權(quán)值調(diào)整算式為

其中為類屬標志的期望輸出，為學習率。Step5，重新從已知類屬的樣本集合或中選取另一樣本進行學習，即重復Step2至Step

5，直到對于所有i=1，2，…,(n+1),恒有

則學習過程結(jié)束，權(quán)值調(diào)整完畢。

現(xiàn)在是10頁\一共有13頁\編輯于星期五§5.5感知器分類的示例現(xiàn)在是11頁\一共有13頁\編輯于星期五練習題設有4個訓練樣本分屬兩個不同的類別:試用感知器算法求出其分類判決函數(shù).現(xiàn)在是12頁\一共有13頁\編輯于星期五§5.6局限性和功能的擴展感知器學習算法的局限性

只能勝任線性分類,不具備直接的非線性分類功能。進一步的功能擴

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(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)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(quán)益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)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。

評論

0/150

提交評論