CN103903003A - 一种采用Widrow-Hoff学习算法的方法 - Google Patents
一种采用Widrow-Hoff学习算法的方法 Download PDFInfo
- Publication number
- CN103903003A CN103903003A CN201210578250.4A CN201210578250A CN103903003A CN 103903003 A CN103903003 A CN 103903003A CN 201210578250 A CN201210578250 A CN 201210578250A CN 103903003 A CN103903003 A CN 103903003A
- Authority
- CN
- China
- Prior art keywords
- learning
- network
- widrow
- hoff
- learning algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种采用Widrow-Hoff学习算法的方法，具体算法如下：（1）初始化网络及学习参数；（2）提供训练模式，训练网络，直到满足学习要求；（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）；（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）。本发明的一种采用Widrow-Hoff学习算法的方法，学习方法简单，并且能够有效地减少在计算中产生的误差。
Description
技术领域
本发明涉及识别方法的领域，尤其是一种采用Widrow-Hoff学习算法的方法。
背景技术
字符识别是模式识别领域的一项传统的课题，这是因为字符识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而字符识别的研究仍具有理论和实践意义。这里讨论的是用神经网络识别数字的问题。
构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就是数字字符的特征向量；神经网络分类器的输出节点应该是字符数。10个数字输出层就有个10个神经元，每个神经元代表一个数字；隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。然后要选择适当的学习算法，这样才会有很好的识别效果。在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。神经网络是按整个特征向量的整体来记忆数字的，只要大多数特征符合曾学习过的样本就可识别为同一字符，所以当样本存在较大噪声时神经网络分类器仍可正确识别。在字符识别阶段，只要将输入进行预处理，特征提取后的特征向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。
发明内容
本发明要解决的技术问题是：为了克服上述中存在的问题，提供一种采用Widrow-Hoff学习算法的方法。
本发明解决其技术问题所采用的技术方案是：一种采用Widrow-Hoff学习算法的方法，具体算法如下：
（1）初始化网络及学习参数；
（2）提供训练模式，训练网络，直到满足学习要求；
（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）；
（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）
本发明的有益效果是，本发明的一种采用Widrow-Hoff学习算法的方法，学习方法简单，并且能够有效地减少在计算中产生的误差。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示的一种采用Widrow-Hoff学习算法的方法，其中：对于第k个模式对，输出层单元的j的加权输入为 
，该单元的实际输出为
，而隐含层单元i的加权输入为
，该单元的实际输出为
，函数f为可微分递减函数
。，具体算法如下：
（1）初始化网络及学习参数；
（2）提供训练模式，训练网络，直到满足学习要求；
（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）；
（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (1)
1. 一种采用Widrow-Hoff学习算法的方法，其特征是具体算法如下：
（1）初始化网络及学习参数；
（2）提供训练模式，训练网络，直到满足学习要求；
（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）；
（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210578250.4A CN103903003A (zh) | 2012-12-28 | 2012-12-28 | 一种采用Widrow-Hoff学习算法的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210578250.4A CN103903003A (zh) | 2012-12-28 | 2012-12-28 | 一种采用Widrow-Hoff学习算法的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103903003A true CN103903003A (zh) | 2014-07-02 |
Family
ID=50994315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210578250.4A Pending CN103903003A (zh) | 2012-12-28 | 2012-12-28 | 一种采用Widrow-Hoff学习算法的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103903003A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018192200A1 (en) * | 2017-04-18 | 2018-10-25 | Huawei Technologies Co., Ltd. | System and method for training neural network |
| CN112115646A (zh) * | 2020-09-22 | 2020-12-22 | 北京清大华亿科技有限公司 | 一种炼油化工生产过程的模拟方法及系统 |
| WO2021033104A1 (en) * | 2019-08-22 | 2021-02-25 | International Business Machines Corporation | Adapting movie storylines |
-
2012
- 2012-12-28 CN CN201210578250.4A patent/CN103903003A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018192200A1 (en) * | 2017-04-18 | 2018-10-25 | Huawei Technologies Co., Ltd. | System and method for training neural network |
| US10776697B2 (en) | 2017-04-18 | 2020-09-15 | Huawei Technologies Co., Ltd. | System and method for training a neural network |
| WO2021033104A1 (en) * | 2019-08-22 | 2021-02-25 | International Business Machines Corporation | Adapting movie storylines |
| GB2602904A (en) * | 2019-08-22 | 2022-07-20 | Ibm | Adapting movie storylines |
| US11429839B2 (en) | 2019-08-22 | 2022-08-30 | International Business Machines Corporation | Adapting movie storylines |
| GB2602904B (en) * | 2019-08-22 | 2024-03-13 | Ibm | Adapting movie storylines |
| CN112115646A (zh) * | 2020-09-22 | 2020-12-22 | 北京清大华亿科技有限公司 | 一种炼油化工生产过程的模拟方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102492318B1 (ko) | 모델 학습 방법 및 장치, 및 데이터 인식 방법 | |
| CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
| CN110349103A (zh) | 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法 | |
| WO2022083009A1 (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
| CN104751842B (zh) | 深度神经网络的优化方法及系统 | |
| CN107392224A (zh) | 一种基于三通道卷积神经网络的作物病害识别算法 | |
| CN109711544A (zh) | 模型压缩的方法、装置、电子设备及计算机存储介质 | |
| CN107437096A (zh) | 基于参数高效的深度残差网络模型的图像分类方法 | |
| WO2016145675A1 (zh) | 一种基于分段的两级深度学习模型的大数据处理方法 | |
| CN105701507A (zh) | 基于动态随机池化卷积神经网络的图像分类方法 | |
| CN103488662A (zh) | 基于图形处理单元的自组织映射神经网络聚类方法及系统 | |
| CN107330514A (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
| CN105701506B (zh) | 一种基于超限学习机与稀疏表示分类的改进方法 | |
| CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
| Zeng et al. | CNN model design of gesture recognition based on tensorflow framework | |
| CN106875002A (zh) | 基于梯度下降法与广义逆的复值神经网络训练方法 | |
| CN104318214B (zh) | 一种基于结构化词典域转移的交叉视角人脸识别方法 | |
| CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
| CN108664994A (zh) | 一种遥感图像处理模型构建系统和方法 | |
| CN107563430A (zh) | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 | |
| CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
| CN106934458A (zh) | 基于深度学习的多层自动编码方法及系统 | |
| CN106599128B (zh) | 基于深层主题模型的大规模文本分类方法 | |
| CN114463643A (zh) | 多模型决策级融合的滑坡识别方法及装置 | |
| CN103903003A (zh) | 一种采用Widrow-Hoff学习算法的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140702 |