learnos

Функция изучения веса Outstar

Синтаксис

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

Описание

learnos outstar функция изучения веса.

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

`W`	`S`- `R` матрица веса (или `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 learnosизучение параметра, показанного здесь с его значением по умолчанию.

LP.lr - 0.01

Скорость обучения

info = learnos('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, выход A, и матрица веса W для слоя с двухэлементным входом и тремя нейронами. Также задайте скорость обучения LR.

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

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

dW = learnos(w,p,[],[],a,[],[],[],[],[],lp,[])

Сетевое использование

Подготовить веса и смещение слоя i из пользовательской сети, чтобы учиться с learnos,

Установите net.trainFcn к 'trainr'. (net.trainParam автоматически становится trainrпараметры по умолчанию.)
Установите net.adaptFcn к 'trains'. (net.adaptParam автоматически становится trainsпараметры по умолчанию.)
Установите каждый net.inputWeights{i,j}.learnFcn к 'learnos'.
Установите каждый net.layerWeights{i,j}.learnFcn к 'learnos'. (Каждый вес, изучающий свойство параметра, автоматически установлен в learnosпараметры по умолчанию.)

Обучать сеть (или позволять ему адаптироваться),

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

Алгоритмы

learnos вычисляет вес изменяют dW для данного нейрона от входа P нейрона, выход A, и скорость обучения LR согласно outstar изучение правила:

dw = lr*(a-w)*p'

Ссылки

Grossberg, S., исследования Мышления и мозга, Drodrecht, Голландия, нажатия Reidel, 1982

Представлено до R2006a

Документация