最小平方學習法 LMS — 最簡單的類神經學習法。

程式作品 C 語言 Java C＃ JavaScript 常用函數 文字處理 遊戲程式 衛星定位 系統程式 資料結構 網路程式 自然語言 人工智慧 機率統計 資訊安全 等待完成 訊息 相關網站 參考文獻 最新修改 簡體版 English

文章 程式實作：最小平方學習法 LMS (採用 Java 實作) 簡介 LMS 學習演算法最早是用來讓電腦自動學會下棋的一種方法，其回饋式法則啟發了像類神經網路、Q learning 等重要的機器學習演算法，可以說是自動學習方法的開山祖師。 簡介 LMS 學習演算法最早是用來讓電腦自動學會下棋的一種方法，只要讓兩個 LMS 程式互相對下，LMS 程式會從輸贏的結果中不斷調整其評估公式，經過數萬次的比賽後，這兩個程式都會成為下棋高手。 最初 LMS 被用在一種叫 BackGamn 的棋賽中，然而、由於大部分的華人並不熟悉這種棋賽，因此、我們將以圍棋來說明 LMS 的演算法，假如我們想設計一個下圍棋的程式，則我們可以使用下列簡易的評估函數。 下BackGamn棋的評估方式： (1) \begin{equation} V(b) = c_0+c_1 x_1+c_2 x_2+c_3 x_3+c_4 x_4+c_5 x_5+c_6 x_6 \end{equation} 其中變數 x 的意義如下 x1: 黑棋的數量 x2: 白棋的數量 x3: 黑棋國王的數量 x4: 白棋國王的數量 x5: 黑棋被威脅的數量 x6: 白棋被威脅的數量 下圍棋的評估方式： (2) \begin{equation} V(b) = c_1 x_1+c_2 x_2+c_3 x_3+c_4 x_4 \end{equation} 其中變數 x 的意義如下 x_(1): 黑棋的數量 x_(2): 白棋的數量 x_(3): 一步後黑棋被吃掉的最多數量 x_(4): 一步後白棋被吃掉的最多數量 訓練目標值 T(b) 的公式定義如下 (注意，這個公式極為重要，因為下一步預測要比這一步更準，因此、預測值應該要向下一步靠攏)： (3) \begin{equation} T(b) = V(successor(b)) \end{equation} 最佳化的目標函數，在最小化目標值與預測值之間的差異。 (4) \begin{align} E=\SIGMA (T(b) - V(b))^2 \end{align} Algorithm LMS for each training sample <b,T(b)> use the current weights to calculate V(b) for each weight wi, update it as wi = wi + d*(T(b)-V(b)) xi // d 是一個很小的值,作為每次改進的調整步伐 end Algorithm Facebook 留言 Facebook Wikidot Post preview: Close preview or Sign in as Wikidot user (will not be published) - + Help: wiki text quick reference 授權 本網頁的作者、授權與引用方式 作者 陳鍾誠，於金門大學資訊工程系，電子郵件：wt.ude.uqn|ccc#wt.ude.uqn|ccc，網站：http://ccckmit.wikidot.com。 授權 本文採用創作共用 (Creative Common) 3.0 版的 姓名標示─非商業性─相同方式分享 授權條款，歡迎轉載或修改使用，但若做為商業使用時必須取得授權，引用本文時請參考下列格式。 中文版 (APA格式) 陳鍾誠 (23 Aug 2010 03:58)，(網頁標題) 最小平方學習法 LMS — 最簡單的類神經學習法。，(網站標題) 陳鍾誠的網站，取自 http://ccckmit.wikidot.com/code:lms ，網頁修改第 4 版。 英文版 (APA格式) Chung-Chen Chen (23 Aug 2010 03:58), Retrieved from http://ccckmit.wikidot.com/code:lms , Page Revision 4.