《构造四个输入节点x1.doc》由会员分享，可在线阅读，更多相关《构造四个输入节点x1.doc（4页珍藏版）》请在金锄头文库上搜索。
1、 手机通讯识别空巢老人-神经网络模型其对应的临界值分别为TT=tti，其中i=1,2,3,4,5,6,7.模型输入变量定义：指标（x1）（x2）（x3）（x4）（x5）（x6）（x7）取值t1tt1t2tt2t3tt3t4tt4t5tt5t6tt6t7tt7定义值0000000取值t1tt1t2tt2t3tt3t4tt4t5tt5t6tt6t7tt7定义值1111111构造七个输入节点x1、x2、x3、x4、x5、x6、x7，一个输出节点y的神经网络的感知机模型建立判断空巢老人的感知机模型为Oi=f() （I）其中映射函数 f(x)= 取阈值=0，初始（k=0）=0,对i=1,j=1,2,3,
2、4,5,6,7. 把样本1到样本m作为学习样本，以此获得模型参数（权数），以样本(m+1)到样本n作为检验样本，以检验模型的正确性。 感知机模型的学习过程如下： （1）对样本1进行学习，把相应的属性值x1,x2 ,x3 ,x4,x5,x6,x7 代入式（I），有O1=f(w11*x1+w12*x2+w13*x3+w14*x4+w15*x5+w16*x6+w17*x7)(k=1)=|Y1-O1|修正权数：由w1j=(k)*xj, 有w11=(k=1)*x1 , w12=(k=1)*x2 , w13=(k=1)*x3 , w14=(k=1)*x4, w15=(k=1)*x5 , w16=(k=1)
3、*x6 , w17=(k=1)*x7。所以w11（k=1）= w11（k=0）+w11 w12（k=1）= w12（k=0）+w12 w13（k=1）= w13（k=0）+w13 w14（k=1）= w14（k=0）+w14 w15（k=1）= w15（k=0）+w15 w16（k=1）= w16（k=0）+w16 w17（k=1）= w17（k=0）+w17 总误差为E(k=1)= E(k=0)+ek = E(k=0) +(k=1) (2)对样本2进行学习，同样的把相应的属性值x1,x2 ,x3 ,x4,x5,x6,x7 代入式（I），有 O2=f(w11*x1+w12*x2+w13*x3+
4、w14*x4+w15*x5+w16*x6+w17*x7)(k=2)=|Y2-O2|修正权数为w11=(k=2)*x1, w12=(k=2)*x2 ,w13=(k=2)*x3, w14=(k=2)*x4, w15=(k=2)*x5,w16=(k=2)*x6, w17=(k=2)*x7 。所以w11（k=2）= w11（k=1）+w11 w12（k=2）= w12（k=1）+w12 w13（k=2）= w13（k=1）+w13 w14（k=2）= w14（k=1）+w14 w15（k=2）= w15（k=1）+w15 w16（k=2）= w16（k=1）+w16 w17（k=2）= w17（k=1
5、）+w17 总误差为E(k=2)= E(k=1)+ek = E(k=1) +(k=2)同理，对余下的学习样本进行学习，最后获取的权数w11, w12,w13,w14 , w15, w16, w17 （3）对样本样本(m+1)到样本n进行检验：样本m+1：相应的属性值x1,x2,x3,x4，x5,x6,x7, Om+1=f(w11*x1+w12*x2+w13*x3+w14*x4+w15*x5+w16*x6+w17*x7) =Ym+1 样本m+2：相应的属性值x1,x2,x3,x4，x5,x6,x7, Om+2=f(w11*x1+w12*x2+w13*x3+w14*x4+w15*x5+w16*x6+w17*x7) =Ym+2 同理依次类推样本(m+3)到样本(n-1)样本n：相应的属性值x1,x2,x3,x4,x5,x6,x7, On=f(w11*x1+w12*x2+w13*x3+w14*x4+w15*x5+w16*x6+w17*x7) =Yn 检验结果表明：w11, w12,w13,w14 , w15, w16, w17是使计算结果与样本的评价结果误差最小的权数，将w11, w12,w13,w14 , w15, w16, w17 代入式（I），则模型建立完毕。
