learnp

Функция обучения весу перцептрона и предвзятости

Синтаксис

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

learnp является функцией обучения весу/смещению перцептрона.

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

`W`	`S`около-`R` весовая матрица (или `b`, и `S`около-`1` вектор смещения)
`P`	`R`около-`Q` входные векторы (или `ones(1,Q)`)
`Z`	`S`около-`Q` взвешенные входные векторы
`N`	`S`около-`Q` чистые входные векторы
`A`	`S`около-`Q` выходные векторы
`T`	`S`около-`Q` целевые векторы слоев
`E`	`S`около-`Q` векторы ошибок слоев
`gW`	`S`около-`R` градиент веса в зависимости от производительности
`gA`	`S`около-`Q` выходной градиент по производительности
`D`	`S`около-`S` расстояния нейронов
`LP`	Параметры обучения, нет, `LP = []`
`LS`	Состояние обучения, первоначально должно быть = `[]`

и возвращает

`dW`	`S`около-`R` матрица изменения веса (или смещения)
`LS`	Новое состояние обучения

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

`'pnames'`	Названия параметров обучения
`'pdefaults'`	Параметры обучения по умолчанию
`'needg'`	Возвращает 1, если эта функция используется `gW` или `gA`

Здесь определяется случайный ввод P и ошибка E для слоя с двухэлементным входом и тремя нейронами.

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

Поскольку learnp только эти значения необходимы для вычисления изменения веса (см. «Алгоритм» ниже), используйте их для этого.

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

learnp вычисляет изменение веса dW для данного нейрона из входа нейрона P и ошибка E согласно правилу перцептронного обучения:

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

Это можно резюмировать следующим образом:

dw = e*p'

Розенблат, Ф., Принципы нейродинамики, Вашингтон, округ Колумбия, «Спартан Пресс», 1961 год

Представлен до R2006a