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 функция изучения веса/смещения Видроу-Хофф и также известна 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`- `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

Изучение происходит согласно learnwh изучение параметра, показанного здесь с его значением по умолчанию.

LP.lr — 0.01

Скорость обучения

info = learnwh('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`

Примеры

Здесь вы задаете случайный вход P и ошибка E для слоя с двухэлементным входом и тремя нейронами. Вы также задаете скорость обучения LR изучение параметра.

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

Поскольку learnwh потребности 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 из пользовательской сети, чтобы учиться с learnwh,

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

Обучать сеть (или позволять ему адаптироваться),

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

Алгоритмы

learnwh вычисляет вес изменяют dW для данного нейрона от входа P нейрона и ошибка E, и вес (или смещение) скорость 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

Представлено до R2006a

Документация