8.1.2外星学习规则 外星网络的激活函数是线性函数,它被用来学习回忆 个矢量,其网络输入P也可以是另一个神经元模型的输 出 外星被训练来在一层s个线性神经元的输出端产生一个特 别的矢量A。 对于一个外星,其学习规则为: △ ai-wi1)·pj 与内星不同,外星联接强度的变化Δw是与输入矢量P成 正比的。这意味着当输入矢量被保持高值,比如接近1 时,每个权值w;将趋于输出a值,若p;=1,则外星使权 值产生输出矢量。 当输入矢量p为0时,网络权值得不到任何学习与修正
8．1．2外星学习规则 外星网络的激活函数是线性函数，它被用来学习回忆一 个矢量，其网络输入P也可以是另一个神经元模型的输 出。 外星被训练来在一层s个线性神经元的输出端产生一个特 别的矢量A。 对于一个外星，其学习规则为： 与内星不同，外星联接强度的变化Δw是与输入矢量P成 正比的。这意味着当输入矢量被保持高值，比如接近1 时，每个权值wij将趋于输出ai值，若pj ＝1，则外星使权 值产生输出矢量。 当输入矢量pj为0时，网络权值得不到任何学习与修正
当有r个外星相并联,每个外星与s个线性神经元 相连组成一层外星时,其权值修正方式为: △W=l:(A-W)·P 其中: W=s×r权值列矢量; lr=学习速率; A=s×q外星输出; P=r×q外星输入 MATLAB工具箱中实现外星学习与设计的函数为 learnos. m,其调用过程如下: dw=learnos(W,A, P,Ir) W=W十dW;
当有r个外星相并联，每个外星与s个线性神经元 相连组成一层外星时，其权值修正方式为： 其中： W＝s×r权值列矢量； lr＝学习速率； A＝s×q外星输出； P＝r×q外星输入。 MATLAB工具箱中实现外星学习与设计的函数为 learnos.m，其调用过程如下： dW＝learnos(W，A，P，lr)； W＝W十dW；
[例8.2]下面有两元素的输入矢量以及与它们相 关的四元素目标矢量,试设计一个外星网络实 现有效的矢量的获得,外星没有偏差。 P=[10]; T=[0.18260.6325 0.36510.3162; 0.54770.3162 0.73030.6325]
[例8．2]下面有两元素的输入矢量以及与它们相 关的四元素目标矢量，试设计一个外星网络实 现有效的矢量的获得，外星没有偏差。 P＝[1 0]； T＝[0.1826 0.6325； 0.3651 0.3162； 0.5477 0.3162； 0.7303 0.6325]；
8.1.3科荷伦学习规则 科荷伦学习规则是由内星规则发展而来的。 科荷伦规则为: △w;=br·(pj-wj) 科荷伦学习规则实际上是内星学习规则的一个特例,但 它比采用内星规则进行网络设计要节省更多的学习,因 而常常用来替代内星学习规则
8．1．3科荷伦学习规则 科荷伦学习规则是由内星规则发展而来的。 科荷伦规则为： 科荷伦学习规则实际上是内星学习规则的一个特例，但 它比采用内星规则进行网络设计要节省更多的学习，因 而常常用来替代内星学习规则