learnwh

Функция изучения веса/смещения Widrow-Hoff

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 Widrow-Hoff, а также известна как правило дельты или наименьшего квадрата (LMS).

[dW,LS] = learnwh(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

Обучение происходит в соответствии с learnwh параметр learning, показанный здесь со значением по умолчанию.

LP.lr — 0.01

Уровень обучения

info = learnwh('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`

Примеры

Здесь определяется случайный ввод P и ошибка E для слоя с двухэлементным входом и тремя нейронами. Также определяется уровень обучения. LR параметр обучения.

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

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

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

Использование в сети

Можно создать стандартную сеть, использующую learnwh с linearlayer.

Подготовка весов и смещения слоя i пользовательской сети для изучения с помощью learnwh,

Набор net.trainFcn кому 'trainb'. net.trainParam автоматически становится trainbПараметры по умолчанию.
Набор net.adaptFcn кому 'trains'. net.adaptParam автоматически становится trainsПараметры по умолчанию.
Установить каждый net.inputWeights{i,j}.learnFcn кому 'learnwh'.
Установить каждый net.layerWeights{i,j}.learnFcn кому 'learnwh'.
Набор net.biases{i}.learnFcn кому 'learnwh'. Каждому свойству параметра обучения весу и смещению автоматически присваивается значение learnwh параметры по умолчанию.

Обучение сети (или возможность ее адаптации),

Набор net.trainParam (или net.adaptParam) свойств к требуемым значениям.
Звонить train (или adapt).

Алгоритмы

learnwh вычисляет изменение веса dW для данного нейрона из входа нейрона P и ошибка Eи коэффициент обучения по весу (или смещению) LR, согласно правилу обучения Widrow-Hoff:

dw = lr*e*pn'

Ссылки

Widrow, B. и M.E. Hoff, «Адаптивные схемы коммутации», 1960 IRE WESCON Convention Record, New York IRE, pp. 96-104, 1960

Вдроу, Б. и С.Д. Стернс, адаптивная обработка сигналов, Нью-Йорк, Прентис-Холл, 1985

См. также

adapt | linearlayer | train

Представлен до R2006a

Документация