learnp

Вес Perceptron и функция изучения смещения

Синтаксис

[dW,LS] = learnp(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) info = learnp('code')

learnp является perceptron функцией изучения веса/смещения.

[dW,LS] = learnp(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) берет несколько входных параметров,

`W`	`S-` матрица (или `b` и `S`-by-`1` смещают вектор),
`P`	`R`-by-`Q` входные векторы (или `ones(1,Q)`)
`Z`	`S`-by-`Q` взвешенные входные векторы
`N`	`S`-by-`Q` сетевые входные векторы
`A`	`S`-by-`Q` выходные векторы
`T`	`S`-by-`Q` слой предназначается для векторов
`E`	`S`-by-`Q` вектора ошибок слоя
`gW`	`S-` градиент относительно производительности
`gA`	`S`-by-`Q` выходной градиент относительно производительности
`D`	`S`-by-`S` расстояния нейрона
`LP`	Изучая параметры, ни один, `LP = []`
`LS`	При изучении состояния, первоначально должен быть = `[]`

и возвращается

`dW`	`S-` (или смещение) изменяют матрицу
`LS`	Новое состояние изучения

info = learnp('code') возвращает полезную информацию для каждого вектора символов code:

`'pnames'`	Имена изучения параметров
`'pdefaults'`	Параметры изучения значения по умолчанию
`'needg'`	Возвращается 1, если эта функция использует `gW` или `gA`

Здесь вы задаете случайный вход P и ошибку E для слоя с двухэлементным входом и тремя нейронами.

p = rand(2,1);
e = rand(3,1);

Поскольку learnp только нужны эти значения, чтобы вычислить изменение веса (см. “Алгоритм” ниже), используйте их, чтобы сделать так.

dW = learnp([],p,[],[],[],[],e,[],[],[],[],[])

learnp вычисляет изменение веса dW для данного нейрона от входа P и ошибки нейрона E согласно perceptron изучение правила:

dw = 0, if e = 0
     = p', if e = 1
     = -p', if e = -1

Это может быть получено в итоге как

dw = e*p'

Розенблатт, F., принципы нейродинамики, Вашингтона, округ Колумбия, спартанского нажатия, 1961