learnp

learnp感知器权重和偏差学习功能

句法：
[dW，LS] = learnp（W，P，Z，N，A，T，E，gW，gA，D，LP，LS）
info = learnp（‘code’）
描述：
learnp是感知器重量/偏差学习功能。

[dW，LS] = learnp（W，P，Z，N，A，T，E，gW，gA，D，LP，LS）需要几个输入，

W - SxR权重矩阵（或b，Sx1偏差向量）。
P - RxQ输入向量（或（1，Q））。
Z - SxQ加权输入向量。
N - SxQnet输入向量。
A - SxQ输出向量。
T - SxQ层目标向量。
E - SxQ层误差向量。
gW - 相对于性能的SxR梯度。
gA - SxQ输出梯度与性能有关。
D - SxS神经元距离。
LP - 学习参数，无，LP = []。
LS - 学习状态，最初应为= []。
并返回，
dW - SxR权重（或偏差）改变矩阵。
LS - 新的学习状态。

learnp（CODE）返回每个CODE字符串的有用信息：
‘pnames’ - 返回学习参数的名称。
‘pdefaults’ - 返回默认的学习参数。
‘needg’ - 如果此函数使用gW或gA，则返回1。

在这里，我们定义一个随机输入P和误差E.
具有2元素输入和3个神经元的单层神经网络。

 p = rand（2,1）;
 e = rand（3,1）;

learnp只需要这些值来计算修正权值。

 dW = learnp（[]，p，[]，[]，[]，[]，e，[]，[]，[]，[]，[]）

net使用
您可以创建一个使用learnp和newp的标准网络。

准备自定义网络的第i层的权重和偏差，以便用learnp学习，

将net.trainFcn设置为’trainb’。 （net.trainParam自动成为trainb的默认参数。）
将net.adaptFcn设置为’train’。 （net.adaptParam自动成为train的默认参数。）
将每个net.inputWeights {i，j} .learnFcn设置为’learnp’。
将每个net.layerWeights {i，j} .learnFcn设置为’learnp’。
将net.biases {i} .learnFcn设置为’learnp’。 （每个权重和偏差学习参数属性自动成为空矩阵，因为learnp没有学习参数。）
要训​​练网络（或使其适应），

将net.trainParam（或net.adaptParam）属性设置为所需的值。

learnp根据感知器学习规则从神经元的输入P和误差E计算给定神经元的权重变化dW：

dw = 0，如果e = 0
= p’，如果e = 1
= -p’，如果e = -1
这可以概括为
dw = e * p’