人工智能神經(jīng)網(wǎng)絡(luò)例題

人工智能神經(jīng)網(wǎng)絡(luò)例題人工智能神經(jīng)網(wǎng)絡(luò)例題人工智能神經(jīng)網(wǎng)絡(luò)例題xxx公司人工智能神經(jīng)網(wǎng)絡(luò)例題文件編號：文件日期：修訂次數(shù)：第1.0次更改批準審核制定方案設(shè)計，管理制度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)假設(shè)w1(0)=,w2(0)=,θ(0)=,η=，請用單層感知器完成邏輯或運算的學(xué)習(xí)過程。解：根據(jù)“或”運算的邏輯關(guān)系，可將問題轉(zhuǎn)換為：輸入向量：X1=[0,0,1,1]X2=[0,1,0,1]輸出向量：Y=[0,1,1,1]由題意可知，初始連接權(quán)值、閾值，以及增益因子的取值分別為：w1(0)=,w2(0)=,θ(0)=，η=即其輸入向量X(0)和連接權(quán)值向量W(0)可分別表示為：X(0)=(-1,x1(0),x2(0))W(0)=(θ(0),w1(0),w2(0))根據(jù)單層感知起學(xué)習(xí)算法，其學(xué)習(xí)過程如下：設(shè)感知器的兩個輸入為x1(0)=0和x2(0)=0，其期望輸出為d(0)=0，實際輸出為：y(0)=f(w1(0)x1(0)+w2(0)x2(0)-θ(0))=f*0+*=f=0實際輸出與期望輸出相同，不需要調(diào)節(jié)權(quán)值。再取下一組輸入：x1(0)=0和x2(0)=1，其期望輸出為d(0)=1，實際輸出為：y(0)=f(w1(0)x1(0)+w2(0)x2(0)-θ(0))=f*0+*=f=1實際輸出與期望輸出相同，不需要調(diào)節(jié)權(quán)值。再取下一組輸入：x1(0)=1和x2(0)=0，其期望輸出為d(0)=1，實際輸出為：y(0)=f(w1(0)x1(0)+w2(0)x2(0)-θ(0))=f*1+*=f=0實際輸出與期望輸出不同，需要調(diào)節(jié)權(quán)值，其調(diào)整如下：θ(1)=θ(0)+η(d(0)-y(0))*(-1)=+*(1-0)*(-1)=w1(1)=w1(0)+η(d(0)-y(0))x1(0)=+*(1-0)*1=w2(1)=w2(0)+η(d(0)-y(0))x2(0)=+*(1-0)*0=再取下一組輸入：x1(1)=1和x2(1)=1，其期望輸出為d(1)=1，實際輸出為：y(1)=f(w1(1)x1(1)+w2(1)x2(1)-θ(1))=f*1+*1+=f=1實際輸出與期望輸出相同，不需要調(diào)節(jié)權(quán)值。再取下一組輸入：x1(1)=0和x2(1)=0，其期望輸出為d(0)=0，實際輸出為：y(1)=f(w1(1)x1(1)+w2(1)x2(1)-θ(1))=f*0+*0+=f=1實際輸出與期望輸出不同，需要調(diào)節(jié)權(quán)值，其調(diào)整如下：θ(2)=θ(1)+η(d(1)-y(1))*(-1)=+*(0-1)*(-1)=w1(2)=w1(1)+η(d(1)-y(1))x1(1)=+*(0-1)*0=w2(2)=w2(1)+η(d(1)-y(1))x2(1)=+*(0-1)*0=再取下一組輸入：x1(2)=0和x2(2)=1，其期望輸出為d(2)=1，實際輸出為：y(2)=f(w1(2)x1(2)+w2(2)x2(2)-θ(2))=f*0+*1-=f=1實際輸出與期望輸出相同，不需要調(diào)節(jié)權(quán)值。再取下一組輸入：x1(2)=1和x2(2)=0，其期望輸出為d(2)=1，實際輸出為：y(2)=f(w1(2)x1(2)+w2(2)x2(2)-θ(2))=f*1+*0-=f=1實際輸出與期望輸出相同，不需要調(diào)節(jié)權(quán)值。再取下一組輸入：x1(2)=1和x2(2)=1，其期望輸出為d(2)=1，實際輸出為：y(2)=f(w1(2)x1(2)+w2(2)x2(2)-θ(2))=f*1+*1-=f=1實際輸出與期望輸出相同，不需要調(diào)節(jié)權(quán)值。至此，學(xué)習(xí)過程結(jié)束。最后的得到的閾值和連接權(quán)值分別為：θ(2)=w1(2)=w2(2)=不仿