感知器构建
来源:互联网 发布:赚钱最快的方法 知乎 编辑:程序博客网 时间:2024/06/11 00:15
感知器算法:
目的:
对于已知的数据点{x1, x2, …, xN}分为w1,w2两类,寻求该数据点之间的权向量wT。
:
确定方程的一般形式一般形式:d(X) = w1x1+w2x2+…+ wnxn+wn+1 =W0TX+wn+1
其中W0=(w1, w2, …, wn)T称为权向量。
增广形式:d(X) = WTX wTW=(w1, w2, …, wn, wn+1)T ——增广权向量
X=(x1, x2, …, xn, 1)T ——增广模式
算法过程:
1. 给定一个增广的训练模式集合{x1, x2, …, xN},其中每个模式类别已知,分别属于w1类和w2类。
2. (1) 初始化:设置迭代步数k=1,令增量=某个正的常数;分别赋予初始增广权矢量W(1)的各分量较小的任意值。
(2)输入训练模式xk,计算判别函数值WT(k)xk;
(3)调整增广权矢量,规则是:
如果xk∈1和WT(k)<=0,则W(k+1) = W(k) + ρxk.;
如果xk∈1和WT(k)>=0,则W(k+1) = W(k) -ρxk.;
若xk∈1和WT(k)xk>0,如果xk∈w2和WT(k)xk<0,则W(k+1) = W(k);
如果k< N,令k=k+1,返回(2)。如果k=N,则检验判别函数是否能够都正确分类。若是,结束;否则,令k=1,返回(2)。
算法优化
如果训练模式已经符号规范化,即xk2已经乘以1(包括增广分量1)。
则调整权矢量的规则可以统一为
W(k+1)={ w(k) (wT*xT>0)分类正确
{w(k)+ρx (wT*xT<=0)分类错误
在用全部模式训练完一轮后,如果仍有模式被错分,则需要进行第二轮、第三轮迭代,直到所有模式都能够正确分类为止;
可以证明:这个算法是收敛的。
代码构建:
https://github.com/233lawliet/Java/tree/master/Perseptron
- 感知器构建
- Theano Tutorial 构建一个多层感知器MLP
- 感知器
- 感知器
- 感知器
- 感知器
- 感知器
- 感知器
- 感知器
- 感知器
- 感知器
- 构建多层感知器神经网络对数字图片进行文本识别
- 构建多层感知器神经网络对数字图片进行文本识别
- 构建服务器集群感知的 Java 应用程序
- 感知器学习算法
- 感知器和神经网络
- 【模式识别】感知器 Perceptron
- 单层感知器
- Tomcat工作原理详解
- 数据存储过程之MySQL与ORACLE数据库的差别
- JSTL与EL的区别
- 清屏函数 %*d 函数返回数组名 返回局部变量的引用
- Spark Action操作
- 感知器构建
- 第一部分 Autotools 基础 介绍
- C语言基础五(结构体)
- 软件工程--软件计划
- 菜鸟wz的Python周记(3)使用函数制作验证码生成器
- 【Angular4学习】--初始文件目录结构解读
- Apache Tez基本知识
- error: .repo/manifests/: contains uncommitted changes
- State of the Lambda: Libraries Edition