1 LMS 学习规则
1.1 LMS学习规则定义
MSE=(1/Q)*Σe=(1/Q)*Σ(t-a),k=1,2,...,Q
式中:Q是训练样本;t(k)是神经元的期望输出;a(k)是神经元的实际输出。
线性神经网络的目标是寻找最适合的权值W,使得均方差MSE最小,只要对MSE求ω得偏导数,然后让偏导数等于0,那么就可以计算出MSE的极值。
for example:
原始输入:X=[0 0]、t=0,X=[1 0]、t=0,X=[0 1]、t=0,X=[1 1]、t=1。
更改后的输入:X=[0 0 1]、t=0,X=[1 0 1]、t=0,X=[0 1 1]、t=0,X=[1 1 1]、t=1。
(1) 初始化权值 W=[ω,ω],偏置值 b=b;
(2) 设ω=b,则W=[ω,ω,ω],更改后的输入如上;
(3) 求解每一个输入的偏差;
(4) 偏差相加求平均;
(5) 对每个权值求偏导数;
(6) 解方程组。
e=t-a=0-XW=-ω;
e=t-a=0-XW=-ω-ω;
e=t-a=0-XW=-ω-ω;
e=t-a=1-XW=1-ω-ω-ω。
MSE=((ω)+(ω+ω)+(ω+ω)+(1-ω-ω-ω))/4
对MSE的ω求偏导数,得:∂MSE/∂ω=ω+0.5ω+ω-0.5;
对MSE的ω求偏导数,得:∂MSE/∂ω=0.5ω+ω+ω-0.5;
对MSE的ω求偏导数,得:∂MSE/∂ω=ω+ω+2ω-0.5。
使偏导数等于0,可得方程组:
[2 1 2;1 2 2;2 2 4]*[ω ω ω]=[1 1 1]。解该方程,可得
ω= 0.5;
ω=0.5;
ω=-0.25。
因此,可得 0.5x+0.5x-0.25=0.5 (0.5是因为期望输出为0和1,取其中间值(0+1)/2=0.5)
计算到这步,则可以使用该几何图形将输入的数据在图形上分开,同时得到最佳权值。除用此方法求权值外,还可以使用迭代法计算权值。将在神经网络_线性神经网络 3中讲解 (Nerual Network_Linear Nerual Network)。