Python实现最小均方算法(lms)
'''算法：最小均方算法(lms)
均方误差：样本预测输出值与实际输出值之差平方的期望值，记为MES
设:observed 为样本真值,predicted为样本预测值,则计算公式:
(转换为容易书写的方式，非数学标准写法,因为数学符号在这里不好写)
MES=[(observed-pridicted)*(observed-pridicted)+....
(observed-pridicted)*(observed-pridicted)]/n''''''
变量约定：大写表示矩阵或数组，小写表示数字
X：表示数组或者矩阵
x:表示对应数组或矩阵的某个值''''''
关于学习效率（也叫步长：控制着第n次迭代中作用于权值向量的调节）。(下面的参数a)：
学习效率过大：收敛速度提高，稳定性降低，即出结果快，但是结果准确性较差
学习效率过小：稳定性提高，收敛速度降低，即出结果慢，准确性高，耗费资源
对于学习效率的确定，有专门的算法，这里不做研究。仅仅按照大多数情况下的选择：折中值'''import numpy as np
a=0.1##学习率 0<a<1X=np.array([,,,]) ##输入矩阵D=np.array()##期望输出结果矩阵W=np.array() ##权重向量expect_e=0.005 ##期望误差maxtrycount=20 ##最大尝试次数##硬限幅函数(即标准,这个比较简单：输入v大于0，返回1.小于等于0返回-1)'''
最后的权重为W(),则:0.1x+0.1y=0 ==>y=-x
即：分类线方程为:y=-x'''def sgn(v): if v>0: return 1 else: return 0 ##跟上篇感知器单样本训练的-1比调整成了0，为了测试需要。-1训练不出结果
##读取实际输出 '''
这里是两个向量相乘，对应的数学公式：
a(m,n)*b(p,q)=m*p+n*q
在下面的函数中，当循环中xn=1时(此时W=())：
np.dot(W.T,x)=(1,1)*(0.1,0.1)=1*0.1+1*0.1=0.2>0 ==>sgn 返回1'''def get_v(W,x): return sgn(np.dot(W.T,x))##dot表示两个矩阵相乘##读取误差值def get_e(W,x,d): return d-get_v(W,x)##权重计算函数(批量修正)'''
对应数学公式: w(n+1)=w(n)+a*x(n)*e
对应下列变量的解释：
w(n+1) <= neww 的返回值
w(n) <=oldw(旧的权重向量)
a <= a(学习率，范围：0<a<1)
x(n) <= x(输入值)
e <= 误差值或者误差信号'''def neww(oldW,d,x,a):
e=get_e(oldW,x,d) return (oldW+a*x*e,e)##修正权值'''
此循环的原理：
权值修正原理(批量修正)==>神经网络每次读入一个样本，进行修正，
达到预期误差值或者最大尝试次数结束，修正过程结束
'''cnt=0while True:
err=0
i=0 for xn in X:
W,e=neww(W,D,xn,a)
i+=1
err+=pow(e,2)##lms算法的核心步骤，即：MES
err/=float(i)
cnt+=1 print(u"第 %d 次调整后的权值："%cnt) print(W) print(u"误差：%f"%err) if err<expect_e or cnt>=maxtrycount: breakprint("最后的权值：",W.T)##输出结果print("开始验证结果...")for xn in X: print("D%s and W%s =>%d"%(xn,W.T,get_v(W,xn)))##测试准确性：'''
由上面的说明可知：分类线方程为y=-x,从坐标轴上可以看出：
(2,3)属于+1分类,(-2,-1)属于0分类'''print("开始测试...")
test=np.array()print("D%s and W%s =>%d"%(test,W.T,get_v(W,test)))
test=np.array([-2,-1])print("D%s and W%s =>%d"%(test,W.T,get_v(W,test)))
页:
[1]