根据梯度下降法,权矢量的修正值正比于当前位 置上E(W,B)的梯度,对于第个输出节点有: E △ n[ti-ai lp 或表示为 △w=刀6;p △b;=n61 (53) =
根据梯度下降法，权矢量的修正值正比于当前位 置上E(W，B)的梯度，对于第i个输出节点有： 或表示为： （5. 3）
η为学习速率。在一般的实际运用中,实践表明, η通常取一接近1的数,或取值为 =099* max[det(P* P ) 5.5) 学习速率的这一取法在神经网络工具箱中用函数 maxlinlr. m来实现。(5.5)式可实现为: Ir =0.99*maxlinlr(P, 1);
η为学习速率。在一般的实际运用中，实践表明， η通常取一接近1的数，或取值为： （5.5） 学习速率的这一取法在神经网络工具箱中用函数 maxlinlr.m来实现。(5．5)式可实现为：
WH学习规则的函数为: learnwh n来实现,加上线性 自适应网络输出函数 purelin.m,可以写出WH学习规 则的计算公式为: A-purelin(W*P); E=T—A; IdW, dB=learnwh(P,E, h); W=W十dW; B=B十dB; 采用WH规则训练自适应线性元件使其能够得以收敛 的必要条件是被训练的输入矢量必须是线性独立的, 且应适当地选择学习速率以防止产生振荡现象
W—H学习规则的函数为：learnwh.m来实现，加上线性 自适应网络输出函数purelin.m，可以写出W—H学习规 则的计算公式为： A＝purelin(W*P)； E＝T—A； [dW，dB]＝learnwh(P，E，h)； W＝W十dW； B＝B十dB； 采用W—H规则训练自适应线性元件使其能够得以收敛 的必要条件是被训练的输入矢量必须是线性独立的， 且应适当地选择学习速率以防止产生振荡现象
q5.3网络训练 自适应线性元件的网络训练过程可以归纳为以下 个步骤: 1)表达:计算训练的输出矢量A=W*P十B,以及 与期望输出之间的误差E=TA; 2)检查:将网络输出误差的平方和与期望误差相 比较,如果其值小于期望误差,或训练已达到 事先设定的最大训练次数,则停止训练;否贝 继续; 3)学习:采用WH学习规则计算新的权值和偏 差,并返回到1)
5．3 网络训练 自适应线性元件的网络训练过程可以归纳为以下 三个步骤： 1)表达：计算训练的输出矢量A＝W*P十B，以及 与期望输出之间的误差E＝T—A； 2)检查：将网络输出误差的平方和与期望误差相 比较，如果其值小于期望误差，或训练已达到 事先设定的最大训练次数，则停止训练；否则 继续； 3)学习：采用W—H学习规则计算新的权值和偏 差，并返回到1)
采用 Matlab进行自适应线性元件网络的训练过程如下: trainwhm %表达式 A=purelin(W*P, B) E=T-A SSE=sumsqr(e %求误差平方和 for epoch=1: max epoch%循环训练 if sse<err goal %比较误差 epoch=epoch; break %若满足期望误差要求,结束训练 end [dW,dB]= l earnwh(P,E,Ir);%修正权值 W=WdW: B=B十dB; A-purelin(WP, B); %网络输出 E=T-A SSE=sumsqr(e); %计算网络误差平方和 end
采用Matlab进行自适应线性元件网络的训练过程如下： trainwh.m ％表达式 A=purelin(W*P，B); E=T-A； SSE＝sumsqr(E); ％求误差平方和 for epoch＝1:max_epoch ％循环训练 if SSE＜err_goal ％比较误差 epoch＝epoch—1； break ％若满足期望误差要求，结束训练 end [dW，dB]＝1earnwh(P，E，lr)；％修正权值 W＝W十dW； B＝B十dB; A＝purelin(W*P，B)； ％网络输出 E＝T-A； SSE＝sumsqr(E)； ％计算网络误差平方和 end