《人工智能神经网络例题》由会员分享，可在线阅读，更多相关《人工智能神经网络例题（2页珍藏版）》请在金锄头文库上搜索。
1、神经网络学习假设w1(0)=0.2, w2(0)=0.4, (0)=0.3, =0.4，请用单层感知器完成逻辑或运算的学习过程。解：根据“或”运算的逻辑关系，可将问题转换为：输入向量：X1=0, 0, 1, 1 X2=0, 1, 0, 1输出向量：Y=0, 1, 1, 1由题意可知，初始连接权值、阈值，以及增益因子的取值分别为：w1(0)=0.2, w2(0)=0.4, (0)=0.3，=0.4即其输入向量X(0)和连接权值向量W(0)可分别表示为： X(0)=(-1, x1 (0), x2 (0)W(0)=(0), w1(0), w2 (0)根据单层感知起学习算法，其学习过程如下：设感知器的
2、两个输入为x1(0)=0和x2(0)=0，其期望输出为d(0)=0，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-(0) =f(0.2*0+0.4*0-0.3)=f(-0.3)=0实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(0)=0和x2(0)=1，其期望输出为d(0)=1，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-(0) =f(0.2*0+0.4*1-0.3)=f(0.1)=1实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(0)=1和x2(0)=0，其期望输出为d(0)=1，实际输出为：y(0)=
3、f(w1(0) x1(0)+ w2(0) x2(0)-(0) =f(0.2*1+0.4*0-0.3)=f(-0.1)=0实际输出与期望输出不同，需要调节权值，其调整如下：(1)=(0)+(d(0)- y(0)*(-1)=0.3+0.4*(1-0)*(-1)= -0.1w1(1)=w1(0)+(d(0)- y(0)x1(0)=0.2+0.4*(1-0)*1=0.6w2(1)=w2(0)+(d(0)- y(0)x2(0)=0.4+0.4*(1-0)*0=0.4再取下一组输入：x1(1)=1和x2(1)=1，其期望输出为d(1)=1，实际输出为：y(1)=f(w1(1) x1(1)+ w2(1) x
4、2(1)-(1) =f(0.6*1+0.4*1+0.1)=f(1.1)=1实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(1)=0和x2(1)=0，其期望输出为d(0)=0，实际输出为：y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-(1) =f(0.6*0+0.4*0 + 0.1)=f(0.1)=1实际输出与期望输出不同，需要调节权值，其调整如下：(2)=(1)+(d(1)- y(1)*(-1)= -0.1+0.4*(0-1)*(-1)= 0.3w1(2)=w1(1)+(d(1)- y(1)x1(1)=0.6+0.4*(0-1)*0=0.6w2(2)=w2(1)
5、+(d(1)- y(1)x2(1)=0.4+0.4*(0-1)*0=0.4再取下一组输入：x1(2)=0和x2(2)=1，其期望输出为d(2)=1，实际输出为：y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-(2) =f(0.6*0+0.4*1 - 0.3)=f(0.1)=1实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(2)=1和x2(2)=0，其期望输出为d(2)=1，实际输出为：y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-(2) =f(0.6*1+0.4*0 - 0.3)=f(0.3)=1实际输出与期望输出相同，不需要调节权值。再取下一组
6、输入：x1(2)=1和x2(2)=1，其期望输出为d(2)=1，实际输出为：y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-(2) =f(0.6*1+0.4*1 - 0.3)=f(0.7)=1实际输出与期望输出相同，不需要调节权值。 至此，学习过程结束。最后的得到的阈值和连接权值分别为：(2)= 0.3w1(2)=0.6w2(2)= 0.4不仿验证如下：对输入：“0 0”有y=f(0.6*0+0.4*0-0.3)=f(-0.3)=0对输入：“0 1”有y=f(0.6*0+0.4*1-0.3)=f(0.1)=1对输入：“1 0”有y=f(0.6*1+0.4*0-0.3)=f(0.3)=1对输入：“1 1”有y=f(0.6*1+0.4*1-0.3)=f(0.7)=1
