资源描述：
《人工智能神经网络例题.docx》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、神经网络学习假设wi(0)=0.2,w2(0)=0.4,0(0)=0.3,Y]=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：Xi=[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)=0.3,中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(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
2、知器的两个输入为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(0))=f(0.2*0+0.4*0-0.3)=f(-0.3)=0精品资料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）-W。））=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)
3、=1,实际输出为:y(0)=f(w1(0)X1(0)+W2(0)X2(0)-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：0(1)=6(0)+r](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：
4、y(1)=f(w1(1)X1(1)+W2(1)X2(1)-0(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:精品资料y(1)=f(w1(1)X1(1)+W2(1)X2(1)-0(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)=6(1)+Y](d(1)-y(1))*(-1)=-0.1+0.4*(0-1)*(-1)=0.3wi(2)=wi(1)+《d(1)-y⑴
5、)xi⑴=0.6+0.4*(0-1)*0=0.6W2(2)=w2(1)+«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)-0(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)-0(2))=f(0.6*1+0.4*0
6、-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)-0(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：0(2)=0.3W1(2)=0.6精品资料W2(2)=0.4不仿验证如下:对输入：00”^=f(0.6*0+0.4*0-0.3)=f(-0.3)=0对输入：01”^=f(0.6*0+0.4*1-0.3)=
7、f(0.1)=1对输入：10”^=f(0.6*1+0.4*0-0.3)=f(0.3)=1对输入：11”^=f(0.6*1+0.4*1-0.3)=f(0.7)=1精品资料WelcomeToDownload!!!欢迎您的下载，资料仅供参考！精品资料
