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 perceptron функция изучения веса/смещения.

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

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

и возвращается

`dW`	`S`- `R` вес (или смещение) изменяет матрицу
`LS`	Новое состояние изучения

info = learnp('code') возвращает полезную информацию для каждого code символьный вектор:

`'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 ошибка E для слоя с двухэлементным входом и тремя нейронами.

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

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

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

learnp вычисляет вес изменяют dW для данного нейрона от входа P нейрона и ошибка 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

Представлено до R2006a