learnp

Вес перцептрона и функция обучения смещением

Синтаксис

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

learnp - функция perceptron weight/bias обучения.

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

`W`	`S`-by- `R` матрица веса (или `b`, и `S`-by- `1` вектор смещения)
`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` целевой слой векторов
`E`	`S`-by- `Q` векторы ошибок слоя
`gW`	`S`-by- `R` градиент веса относительно эффективности
`gA`	`S`-by- `Q` выходной градиент относительно эффективности
`D`	`S`-by- `S` нейронные расстояния
`LP`	Параметры обучения, нет, `LP = []`
`LS`	Состояние обучения, первоначально должно быть = `[]`

и возвращает

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

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

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

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

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

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

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

learnp вычисляет изменение веса dW для данного нейрона из входных данных нейрона P и E ошибок согласно правилу обучения перцептрон:

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

Это может быть суммировано как

dw = e*p'

Розенблатт, Ф. Принципы нейродинамики, Вашингтон, округ Колумбия, Спартанская пресса, 1961

Представлено до R2006a