文本分类算法之--单层感知器的神经网络

http://www.cnblogs.com/wengzilin/archive/2013/04/24/3041019.html

一、感知器的学习结构

感知器的学习是神经网络最典型的学习。

目前，在控制上应用的是多层前馈网络，这是一种感知器模型，学习算法是BP法，故是有教师学习算法。

一个有教师的学习系统可以用图1—7表示。这种学习系统分成三个部分：输入部，训练部和输出部。

图1-7  神经网络学习系统框图

输入部接收外来的输入样本X，由训练部进行网络的权系数W调整，然后由输出部输出结果。在这个过程中，期望的输出信号可以作为教师信号输入，由该教师信号与实际输出进行比较，产生的误差去控制修改权系数W。

学习机构可用图1—8所示的结构表示。

在图中，X_l ，X₂ ，…，X_n ，是输入样本信号，W₁ ，W₂ ，…，W_n 是权系数。输入样本信号X_i 可以取离散值“0”或“1”。输入样本信号通过权系数作用，在u产生输出结果 ∑W_i X_i ，即有：

u=∑W_i X_i =W₁ X₁ +W₂ X₂ +…+W_n X_n

再把期望输出信号Y(t)和u进行比较，从而产生误差信号e。即权值调整机构根据误差e去对学习系统的权系数进行修改，修改方向应使误差e变小，不断进行下去，使到误差e为零，这时实际输出值u和期望输出值Y(t)完全一样，则学习过程结束。

神经网络的学习一般需要多次重复训练，使误差值逐渐向零趋近，最后到达零。则这时才会使输出与期望一致。故而神经网络的学习是消耗一定时期的，有的学习过程要重复很多次，甚至达万次级。原因在于神经网络的权系数W有很多分量W₁ ，W₂ ，----W_n ；也即是一个多参数修改系统。系统的参数的调整就必定耗时耗量。目前，提高神经网络的学习速度，减少学习重复次数是十分重要的研究课题，也是实时控制中的关键问题。

二、感知器的学习算法

感知器是有单层计算单元的神经网络，由线性元件及阀值元件组成。感知器如图1-9所示。

图1-9   感知器结构

感知器的数学模型：

(1-12)

其中：f[.]是阶跃函数，并且有

(1-13)

θ是阀值。

感知器的最大作用就是可以对输入的样本分类，故它可作分类器，感知器对输入信号的分类如下：

(1-14)

即是，当感知器的输出为1时，输入样本称为A类；输出为-1时，输入样本称为B类。从上可知感知器的分类边界是：

(1-15)

在输入样本只有两个分量X1，X2时，则有分类边界条件：

(1-16)

即

     W₁ X₁ +W₂ X₂ -θ=0       (1-17)

也可写成

(1-18)

这时的分类情况如固1—10所示。

感知器的学习算法目的在于找寻恰当的权系数w＝(w1．w2，…，Wn)，使系统对一个特 定的样本x＝(xt，x2，…，xn)熊产生期望值d。当x分类为A类时，期望值d＝1；X为B类 时，d=-1。为了方便说明感知器学习算法，把阀值θ 并人权系数w中，同时，样本x也相应增加一 个分量x_n+1 。故令：

W_n+1 =-θ，X_n+1 =1      (1-19)

则感知器的输出可表示为：

(1-20)

感知器学习算法步骤如下：
1．对权系数w置初值
对权系数w＝(W₁ ．W₂ ，…，W_n ，W_n+1 )的各个分量置一个较小的零随机值，但W_n+1 ＝
—g。并记为W_l (0)，W₂ (0)，…，W_n (0)，同时有Wn+1(0)＝-θ 。这里W_i (t)为t时刻从第i个
输入上的权系数，i＝1，2，…，n。W_n+1 (t)为t时刻时的阀值。

图1-10 感知器的分类例子

2．输入一样本X＝(X₁ ，X₂ ，…，X_n+1 )以及它的期望输出d。

期望输出值d在样本的类属不同时取值不同。如果x是A类，则取d＝1,如果x是B类，则取-1。期望输出d也即是教师信号。

3．计算实际输出值Y

4．根据实际输出求误差e

e＝d—Y(t)       (1-21)

5．用误差e去修改权系数

i=1,2,…,n,n+1      (1-22)

其中，η称为权重变化率，0<η≤1

在式(1—22)中，η的取值不能太大．如果1取值太大则会影响w_i (t)的稳定；的取值也不能太小，太小则会使W_i (t)的求取过程收敛速度太慢。

当实际输出和期望值d相同时有：

W_i (t+1)=W_i (t)

6．转到第2点，一直执行到一切样本均稳定为止。

从上面式(1—14)可知，感知器实质是一个分类器，它的这种分类是和二值逻辑相应的。因此，感知器可以用于实现逻辑函数。下面对感知器实现逻辑函数的情况作一些介绍。

例：用感知器实现逻辑函数X₁ VX₂ 的真值：

以X1VX2＝1为A类，以X1VX2=0为B类，则有方程组

(1-23)

从式(1—24)有：

W₁ ≥θ,W₂ ≥θ

令 W₁ =1,W₂ =2

则有： θ ≤1

取   θ=0.5

则有：X1+X2-0.5=0,分类情况如图1—11所示。

图1-11  逻辑函数X₁ VX₂ 的分类