一种采用Widrow-Hoff学习算法的方法
【专利摘要】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。
【专利说明】—种采用Widrow-Hoff学习算法的方法
【技术领域】
[0001]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】
[0002]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。
[0003]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】
[0004]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。
[0005]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。
【专利附图】
【附图说明】[0006]下面结合附图和实施例对本发明进一步说明。
[0007]图1是本发明的结构示意图。
【具体实施方式】
[0008]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。
[0009]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，
输出层单兀的j的加权输入为
【权利要求】
1.一种采用Widrow-HofT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)。
【文档编号】G06N3/00GK103903003SQ201210578250
【公开日】2014年7月2日 申请日期:2012年12月28日 优先权日:2012年12月28日
【发明者】屈景春, 吴军 申请人:重庆凯泽科技有限公司