论文部分内容阅读
基于“敏感性理论”的MADALINE网络学习算法,是一种针对MADALINE网络(一种离散型的二值前向网络)的有监督的学习算法。目前,对于二值前向网络,还没有一种很好的训练学习算法。本文以“最小扰动”原则作为算法设计思想,从“MADALINE敏感性”的角度来寻找体现、贯彻这种思想的方法和途径,并成功地设计出了一种“基于敏感性理论的MADALINE学习算法”。另外,文中也以一定的篇幅分析了新算法的失败模式——“局部震荡”现象,并进一步阐述了跳出“局部震荡”的思想及其算法实现。最后,通过与MRⅡ的一组对比模拟试验,以及“MONK’S PROBLEM”的模拟试验,验证并展示了新算法的良好的学习性能和泛化性能,并分析和揭示了新算法所体现出来的其它一些良好性能表现,如算法学习性能对隐层结点数目表现出高灵敏度以及算法的泛化性能相对于网络结构呈现出良好的稳定性。可以说,新算法在二值前向网络上比较成功地实现了感知机学习规则的推广。突破了这一业界长期以来未能很好解决的难题。