论文部分内容阅读
基于最小二乘(LMS)统计算法的自适应线性元件(Adaline)神经网络是非线性分类的重要工具之一。从计算机仿真的角度研究随机逼近LMS学习方法的特点,从步长设置、收敛性、收敛速度、算法抗噪性、判断的准确率等多个参量评估随机逼近法的性能。仿真结果表明,对于不同的初始步长设置,神经元完成学习任务的训练时间不同;在保证学习收敛性的前提下,步长越大,收敛速度越快,但收敛的稳定性变差。权矢量的初始值设置对学习的收敛性没有影响。