Az adaptív lineáris elem
neuron modellje [1]
A bemeneti tápláljuk az impulzus vektort az xn, amely n numerikus attribútumokat. Belül a neuron impulzusok vannak kialakítva bizonyos súlyok wj. és J = 1..n, ha a teljes lendülete S (x) = ^ n „/> aktivatsiiw0 meghaladja a küszöbértéket, akkor a neuron izgatott, és termel egy érték egy (X) = S (x) -. W0.
Ha ehhez hozzátesszük a dummy impulzus jel-x0 ≡ -1 és hasonlítsa W0 tömeg - aktiválási küszöb írhat tömörebben majd lépjen ki a képlet Y (x):
a (X) = (w, x). ahol (w, x) - skalár termék, w és x - a vektorok a súlyok és a pulzus-jeleket, ill.
Oktatási Adaline
Mivel a képzés készlet: egy sor bemeneti értékek X és Y sok feltörekvő értékeit az egyes bemeneti megfelel xj yj - ki, j = 1..m. Szükséges, hogy ezen adatok építeni Adaline, amely lehetővé teszi, hogy a lehető legkevesebb hibát ebben tanító. Adaline oktatás válassza ki a „legjobb” a vektor értékeit súlyok w. Mi határozza meg az értékét a mérleg jobb funkcionális veszteség .Ezen Adaline használt funkcionális javasolt Vidrou és Hoff, L (a, x) = (a - y) 2. Így a funkcionális minimalizálni kell Q (w).
Mi módszerét alkalmazni gradiens származású. akkor a következő érték lesz a forma :, ahol - az arány a tanulás.
Vezetői képzés Adaline
- - tanulási minta m elemek
- - tanulás üteme
- - funkcionális simítási paramétert
- Inicializálása tömeg;
- Inicializálása funkcionális kezdeti becslés;
- Megismétlem:
- Kiválaszt egy tárgyat a (például véletlenszerűen);
- Számolja hibát;
- Egy lépés gradiens csökkenési :;
- Értékeljük a funkcionális jelentősége :;
- Amíg az érték stabilizálódik, és / vagy súlya nem áll változik.
Kommunikációs képzés Adaline sztochasztikus gradiens
Reakcióvázlat tanulási program felel Adaline lineáris osztályozó tanulási módszert a sztochasztikus gradiens C lineáris aktivációs függvény φ (z) = z és kvadratikus veszteségfüggvény L (a, x) = (a - y) 2.