Skip to content

Commit

Permalink
updata 8.人工神经网络与连接学习
Browse files Browse the repository at this point in the history
  • Loading branch information
mswang001 committed Dec 31, 2024
1 parent 245bae4 commit 7ee1f42
Showing 1 changed file with 5 additions and 5 deletions.
Original file line number Diff line number Diff line change
Expand Up @@ -66,7 +66,7 @@ $$
| 1 | 0 | 0 | $w_{1} \cdot 1 + w_{2} \cdot 0 - \theta < 0$ | $\theta > w_{1}$ |
| 1 | 1 | 1 | $w_{1} \cdot 1 + w_{2} \cdot 1 - \theta \geq 0$ | $\theta \leq w_{1} + w_{2}$ |

可以证明此表有解,例如取 $w_{1}=1$,$w_{2}=1$,$\theta=1.5$,其分类结果如图所示
可以证明此表有解,例如取 $w_{1}=1$, $w_{2}=1$, $\theta=1.5$,其分类结果如图所示

![](./image/与.png)

Expand All @@ -82,7 +82,7 @@ $$
| 1 | 0 | 1 | $w_1 \cdot 1 + w_2 \cdot 0 - \theta \geq 0$ | $\theta \leq w_1$ |
| 1 | 1 | 1 | $w_1 \cdot 1 + w_2 \cdot 1 - \theta \geq 0$ | $\theta \leq w_1 + w_2$ |

此表也有解,例如取 $w_1=1$$w_2=1$$\theta=0.5$,其分类结果如右图所示
此表也有解,例如取 $w_1=1$$w_2=1$$\theta=0.5$ ,其分类结果如右图所示

![](./image/或.png)

Expand All @@ -94,7 +94,7 @@ $$
| 0 | 1 | $w_1 \cdot 0 - \theta \geq 0$ | $\theta \leq 0$ |
| 1 | 0 | $w_1 \cdot 1 - \theta < 0$ | $\theta > w_1$ |

此表也有解,例如取 $w_1 = -1$$\theta = -0.5$,其分类结果如图所示。
此表也有解,例如取 $w_1 = -1$$\theta = -0.5$ ,其分类结果如图所示。

![](./image/非.png)

Expand All @@ -108,7 +108,7 @@ $$
| 1 | 0 | 1 | $w_1 \cdot 1 + w_2 \cdot 0 - \theta \geq 0$ | $\theta \leq w_1$ |
| 1 | 1 | 0 | $w_1 \cdot 1 + w_2 \cdot 1 - \theta < 0$ | $\theta > w_1 + w_2$ |

此表无解,即无法找到满足条件的 $w_1$$w_2$ 和 $\theta$,如图所示。因为异或问题是一个非线性可分问题,需要用多层感知器来解决。
此表无解,即无法找到满足条件的 $w_1$$w_2$ 和 $\theta$ ,如图所示。因为异或问题是一个非线性可分问题,需要用多层感知器来解决。

![异或](./image/异或.png)

Expand Down Expand Up @@ -229,7 +229,7 @@ $$
- 期望输出:若输入样本属于 A 类,期望输出为 +1,否则为 -1 ( 0 )

单层感知器学习算法可描述如下:
- 设 t = 0,初始化连接权和阈值。即给 $w_i(0)$ (i=1, 2, … ,n) 及 $\theta(0)$ 分别赋予一个较小的非零随机数,作为初值。其中,$w_i(0)$ 是第 0 次迭代时输入向量中第 i 个输入的连接权值;$\theta(0)$ 是第 0 次迭代时输出节点的阈值;
- 设 t = 0,初始化连接权和阈值。即给 $w_i(0)$ (i=1, 2, … ,n) 及 $\theta(0)$ 分别赋予一个较小的非零随机数,作为初值。其中, $w_i(0)$ 是第 0 次迭代时输入向量中第 i 个输入的连接权值; $\theta(0)$ 是第 0 次迭代时输出节点的阈值;
- 提供新的样本输入 $x_i(0)$ (i=1, 2, … , n) 和期望输出 d(t);
- 计算网络的实际输出:

Expand Down

0 comments on commit 7ee1f42

Please sign in to comment.