learnwh

Функция изучения веса/смещения Видроу-Хофф

Синтаксис

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

Описание

learnwh является функцией изучения веса/смещения Видроу-Хофф и также известен как правило наименее среднеквадратического (LMS) или дельту.

[dW,LS] = learnwh(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

Изучение происходит согласно параметру изучения learnwh, показанному здесь с его значением по умолчанию.

LP.lr — 0.01

Темп обучения

info = learnwh('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`

Примеры

Здесь вы задаете случайный вход P и ошибку E для слоя с двухэлементным входом и тремя нейронами. Вы также задаете темп обучения параметр изучения LR.

p = rand(2,1);
e = rand(3,1);
lp.lr = 0.5;

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

dW = learnwh([],p,[],[],[],[],e,[],[],[],lp,[])

Сетевое использование

Можно создать стандартную сеть, которая использует learnwh с linearlayer.

Подготовить веса и смещение слоя i пользовательской сети, чтобы учиться с learnwh,

Установите net.trainFcn на 'trainb'. net.trainParam автоматически становится параметрами trainb по умолчанию.
Установите net.adaptFcn на 'trains'. net.adaptParam автоматически становится параметрами trains по умолчанию.
Установите каждый net.inputWeights{i,j}.learnFcn на 'learnwh'.
Установите каждый net.layerWeights{i,j}.learnFcn на 'learnwh'.
Установите net.biases{i}.learnFcn на 'learnwh'. Каждый вес и смещение, изучающее свойство параметра, автоматически установлены в параметры значения по умолчанию learnwh.

Обучать сеть (или позволять ему адаптироваться),

Установите net.trainParam (или net.adaptParam) свойства к требуемым значениям.
Вызовите train (или adapt).

Алгоритмы

learnwh вычисляет изменение веса dW для данного нейрона от входа P и ошибки нейрона E и вес (или смещение) темп обучения LR, по словам Видроу-Хофф, изучающего правило:

dw = lr*e*pn'

Ссылки

Widrow, B. и М. Хофф, “Адаптивные переключающие схемы”, 1 960 IRE Запись Соглашения WESCON, нью-йоркский IRE, стр 96–104, 1960

Widrow, B. и S.D. Кормы, адаптивная обработка сигналов, Нью-Йорк, Prentice Hall, 1985

Смотрите также

adapt | linearlayer | train

Документация