Professional Documents
Culture Documents
x1
wi1
x2 wi2
z(.) f(.)
yi
wim θi Output
Weights path
Node i
xm
Hình I-2
Hình I: Sự tương ứng giữa một nơron sinh học và một nơron nhân tạo. (I-1): mô hình
một nơron sinh học, (I-2): mô hình một nơron nhân tạo của McCulloch và Pitts.
Trọng số wi tượng trưng cho cường ñộ của synapse (gọi là sự kết nối) từ nơron nguồn
j ñến nơron ñích i. Một trọng số dương tương ứng với một synapse kích hoạt, một
trọng số âm tương ứng với một synapse cản trở. Nếu wi = 0 tức là không có sự kết nối
giữa hai nơron.
Mặc dù với cấu trúc ñơn giản với ñầu ra chỉ là giá trị nhị phân nhưng nơron M-P có
một khả năng tính toán tiềm ẩn to lớn, nó có thể thực thi các thao tác logic như NOT,
OR, AND khi các trọng số và các ngưỡng ñược chọn lựa tùy theo. Bởi vì nhiều hàm
kết hợp có nhiều biến có thể ñược thực thi bởi các thao tác cơ bản nên một sự ñồng
bộ hóa kết hợp của các nơron có khả năng tính toán rất lớn.
Một cách tổng quát, mạng nơron nhân tạo là một cấu trúc xử lý thông tin phân phối
song song có các ñặc ñiểm sau:
1. Là một mô hình toán học.
2. Chứa một số lượng lớn các node (thành phần xử lý) bên trong.
3. Các trọng số tích lũy các tri thức.
4. Các node có phản ứng ñộng ñến các input của nó và sự phản ứng hoàn toàn
phụ thuộc vào thông tin cục bộ của nó, ñó là: các tín hiệu input ñến các node
và các trọng số kết nối.
5. Có khả năng học, nhớ lại, tổng quát hóa từ dữ liệu học bởi việc ñiều chỉnh
trọng số kết nối.
6. Có khả năng tính toán mạnh mẽ và không là một nơron mang thông tin ñơn lẻ.
Bởi vì các ñặc tính trên, các tên gọi khác thường sử dụng cho mạng nơron nhân
tạo là: mô hình xử lý phân phối song song, mô hình kết nối, hệ thống tự tổ chức.
II. Các mô hình cơ bản và các luật học của mạng nơron nhân tạo:
1. ðịnh nghĩa về mặt toán học của một nơron nhân tạo:
ðịnh nghĩa 1:
Mạng Nơron nhân tạo là sự mô phỏng sinh học bằng máy tính bộ não của con người.
Nó có cấu trúc song song ñược cấu thành từ nhiều phần tử (Nơron nhân tạo) liên kết
với nhau thông qua các trọng số, tập hợp các trọng số này tạo thành bộ trọng của
mạng Nơron nhân tạo. Mỗi Nơron nhân tạo là một hệ thống ñộng phi tuyến có khả
năng tự học. Các Nơron và bộ trọng cấu thành cấu trúc mạng. Do ñó mạng Nơron có
khả năng học từ kinh nghiệm hay từ tập mẫu. Mạng Nơron ñược gọi là mô hình liên
kết vì vai trò quan trọng của sự kết nối giữa chúng. Bộ trọng liên kết chính là “bộ
nhớ” của hệ thống
ðịnh nghĩa 2:
Một Nơron nhân tạo cũng giống như một Nơron sinh học ñược cấu thành từ hai khối
chính: nối kết và thân với nhân bên trong. Mỗi khối này chịu trách nhiệm cung cấp
hai kiểu biến ñổi toán học khác nhau hình thành lên cơ chế xử lý thông tin của một
Nơron: Biến ñổi toán học nối kết và biến ñổi toán học bên trong thân Nơron. Mô hình
toán học tổng quát của một Nơron ñược mô tả trong hình sau:
Hình II.1 - 1: Mô hình toán học tổng quát của một Nơron
Hình trên là mô hình tổng quát của một Nơron ñơn giản: x(t ) ∈ R là các ñầu vào
n
ño các quan hệ qua lại, y (t ) ∈ R là ñầu ra của Nơron, @ là toán tử nối kết, ∫∫ là
toán tử tính tổng, Ξ là toán tử ñặt ngưỡng, © là toán tử hợp nhất, f[.] là hàm truyền
phi tuyến.
Có nhiều loại hàm truyền phi tuyến khác nhau, tuy nhiên hàm truyền thường sử dụng
nhất là hàm Sigmoid:
1
f ( x) =
1 + e− x
Tóm lại, mục tiêu chính của hoạt ñộng xử lý thông tin trong Nơron là cung cấp một
ánh xạ phi tuyến từ véc tơ nhập x(t ) ∈ R ñến ñộ ño ñầu ra y (t ) ∈ R . Khả năng thích
n
nghi của Nơron ñược bảo ñảm bằng việc hiệu chỉnh bộ trọng số w(t) nhờ một thuật
giải học dành riêng. Hàm truyền phi tuyến f[.] trong thân Nơron tăng cường tính mềm
dẻo và chặt chẽ của tính toán Nơron trong những ñiều kiện bất thường (có thể biến
ñổi). véc tơ trọng số kết nối w(t) là một ñại diện cho những tri thức tích lũy ñã học
ñược nạp vào trong khối nối kết của một Nơron.
Hai biến ñổi toán học: Nối kết và Tính tổng có chức năng chính là: thăm dò, ño lường
mối quan hệ qua lại giữa véc tơ nhập x(t) với bộ giá trị véc tơ trọng nối kết w(t) (biểu
diễn những kinh nghiệm tích lũy trước ñó). ðộ ño v(t) thu ñược từ hai phép toán nối
kết và tính tổng phản ánh giá trị ño lường tính ñồng dạng hay khác biệt giữa véc tơ
nhập x(t) và véc tơ trọng w(t). Nếu v(t) vượt qua ngưỡng θ (t ) thì ñộ ño z(t) phản ánh
mối quan hệ qua lại ñược chọn làm giá trị kích hoạt Nơron và ñầu ra y(t) sẽ ñược sản
sinh thông qua hàm truyền phi tuyến f[.].
Hàm ngưỡng θ (t ) phản ánh mức ñộ sai lệch cho phép ñối với giá trị kích hoạt z(t).
Mức ñộ sai lệch này ñược thống kê dựa trên những tri thức tích lũy từ trước (w(t)).
Với mục tiêu giải quyết những bài toán phức tạp trong thực tế, mỗi Nơron trong mạng
Nơron cần có ngưỡng sai lệch cho phép ñối với giá trị kích họat sao cho ñảm bảo
những yêu cầu ña dạng của các hàm tính toán bên trong thân Nơron. Hơn nữa,
ngưỡng θ (t ) cũng phải thích nghi với véc tơ trọng nối kết w(t).
4. Véc tơ tham số:
Vectơ tham số phản ánh sự kết hợp giữa ngưỡng sai lệch với các phép toán tính tổng
và nối kết ñược xác ñịnh như sau:
x α (t)=(x0(t) ,x1(t) ,x2(t),... ,xn(t))T ∈ Rn+1 , xo(t)=1.
và w α (t)=(w0(t),w1(t),w2(t),....,wn(t))T ∈ Rn+1 ,wo(t)=θ(t)
trong ñó :
xo(t)=1 và wo(t)= θ(t) phản ánh ngưỡng sai số .
Hình II.4 - 1: Hoạt ñộng tính toán của Nơron
Trong ñó ρ và wij lần lượt là bán kính và tâm của hình cầu.
Integration Polynomial Function:
m m
zi(t)=∑∑wijk(t)xj(t)xk(t)+xj j +xkαk −θi(t)
α
j=1 k=1
Với wjk là trọng số giữa node k và node j, với wij là trọng số giữa node j và node i
Tại các biến ñổi của các nơron không kề lớp nhập, giá trị x(t) sẽ ñược thay thế bằng
ñầu ra của các nơron lớp liền trước nó.
trong ñó Θ là toán tử hợp nhất và z (t ) là hàm ño lường các quan hệ qua lại.
(ii)Hàm truyền phi tuyến f [] . : có chức năng xếp hạng ñộ ño z (t ) sao cho ñảm bảo
tính mềm dẻo và chặt chẽ của ánh xạ Nơron và trả về ñộ ño y (t ) ∈ R tại ñầu ra của
nơron.
6. Hàm truyền phi tuyến:
Có nhiều loại hàm truyền khác nhau, nhưng chúng ta thường sử dụng loại hàm truyền
dạng S , chúng có ñiểm chung là ñồ thị hàm truyền có dạng chữ S. Một hàm S(u) là
một hàm truyền dạng S nếu nó thoả:
• S (u) là hàm bị chặn .Nghĩa là các giá trị của S (u) không bao giờ ñược vượt quá
chặn trên cũng như không bao giời thấp hơn chặn dưới, với mọi giá trị của u.
• S (u) là hàm ñơn ñiệu tăng. Giá trị của S (u) luôn tăng khi giá trị của u tăng: nghĩa
là nó phải tăng ñều ñặn. Do tính chất thứ nhất – S (u) bị chặn -nên ta thấy khi u
tăng, S (u) cũng lớn dần nhưng không bao giờ vượt quá cận trên; vì vậy nó tiệm
cận ñường giới hạn là chặn trên .Tương tự khi u nhỏ dần, S (u) tiệm cận giới hạn
là chặn dưới của hàm.
• S (u) là hàm liên tục và trơn.Vì hàm S (u) liên tục nên nó không có khe và góc
cạnh. Do tính liên tục trơn, hàm có ñạo hàm và ñộ dốc của nó rõ ràng và phân biệt
tại từng ñiểm.
Mọi hàm thoả mãn 3 tính chất trên ñều có thể ñược sử dụng là hàm truyền trong
mạng.Trong thực tế hàm logistic f(x) thường ñược sử dụng rộng rãi. Nó có miền
giá trị nằm trong khoảng [0, 1]. Nó có công thức:
1
f ( x) =
1 + e− x
trong ñó e là cơ số của logarit tự nhiên. Hằng số e có giá trị khoảng 2.71828 .Tuy
nhiên hằng số e trong mẫu số không phải bắt buộc; bất cứ hằng số nào lớn hơn 1
cũng ñều có thể ñược. Hằng càng lớn hàm số f(x) càng mau tiếp cận các cận của
nó; ngược lại, hằng số càng nhỏ, hàm số càng chậm tiếp cận các cận.
Hàm ngưỡng
tuyến tính [-1 1]
Hàm Sigmoid
Hàm
hyperpol
Hàm Gauss
1
Hàm sigmoid với các giá trị λ khác nhau: f ( x) = ,0 ≤ f ( x ) ≤ 1
1 + e − λx
Hình II.6 - 1: Một số dạng hàm dùng trong ánh xạ từ ñầu vào -> ñầu ra
Một số dạng hàm dùng trong ánh xạ từ ñầu vào ñầu ra :
Tên hàm Công thức ðặc ñiểm Giải thích
Bảng II.6 – 1 : Một số hàm truyền thông dụng trong mạng Nơron
Tất cả các hàm truyền này ñều phục vụ khá tốt cho các mục ñích của mạng Nơron và
chúng ta có thể thay thế cho nhau. Do khác nhau về các giới hạn của chúng, ta có thể
chọn hàm này hoặc hàm khác tùy theo khoảng cần thiết của giá trị kết xuất (0 ñến 1
hay -1 ñến 1), vì kết xuất của mạng phải rơi vào giữa các giới hạn này. Tuy nhiên các
giới hạn này không qui ñịnh khoảng dữ liệu nhập vào mạng, dữ liệu nhập có thể nhận
bất cứ giá trị nào, bất kể hàm truyền nào ñược chọn.Và dữ liệu nhập cũng có thể
nhập trực tiếp vào mạng mà không cần phải biến ñổi tỉ lệ hoặc chuẩn hoá, nhưng ñể
cho mạng có thể học hiệu quả ta phải chọn cách biểu diễn nhập xuất hợp lí.
Một nơron sử dụng phép toán hợp nhất tuyến tính và hàm ngưỡng giới hạn 2
làm hàm truyền ñược gọi là một linear threshold unit (LTU).
Một nơron sử dụng phép toán hợp nhất tuyến tính và Sigmoid làm hàm truyền
ñược gọi là một linear graded unit (LGU).
LTU và LGU là hai loại nơron thường sử dụng nhất trong mạng nơron nhân tạo.
7. Các cấu trúc mạng nơron nhân tạo:
Mạng Nơron nhân tạo bao gồm tập hợp các liên kết qua lại bên trong giữa các Nơron
trên nguyên tắc: “ðầu ra của mỗi Nơron ñược liên kết thông qua các trọng số ñến các
Nơron khác hoặc tới chính nó. Như vậy, việc bố trí các Nơron và sơ ñồ liên kết qua
lại giữa chúng sẽ hình thành một kiểu mạng Nơron nhân tạo.
w1 1
x1 y1
w n1 w 2 1
w w2 2
x2 12 y2
w n2
w 1m w 2 m
xn yn
wnm
(a)
x1 y1
x2 y2
xm ym
(e)
Hình II.7 - 1: Năm sơ ñồ liên kết cơ bản của mạng Nơron: (a) mô hình mạngtruyền
thẳng một lớp; (b) mô hình mạng truyền thẳng ña lớp; (c) mô hình: một Nơron ñơn
với liên kết phản hồi ñến chính nó; (d) mô hình: mạng lặp một lớp; (e) mô hình:
mạng lặp ña lớp.
Hình (II.7- 1a) ñại diện cho mạng Nơron truyền thẳng một lớp, trong ñó mỗi
Nơron sẽ kết hợp với các Nơron khác làm thành một lớp các Nơron. Vector ñầu vào
nối kết với các Nơron trong lớp gắn liền với những giá trị trọng số khác nhau, kết
quả trả về của lớp là tập các ñầu ra ứng với số Nơron trong lớp.
Hình (II.7- 1b) ñại diện cho mạng Nơron truyền thẳng ña lớp, chúng ta có thể tạo
thêm một vài lớp bên trong ñể hình thành mạng: Lớp nhận các vector ñầu vào gọi là
lớp nhập, các ñầu ra của mạng hình thành từ lớp xuất. Các lớp nằm giữa các lớp nhập
và lớp xuất gọi là các lớp ẩn vì chúng chỉ có các liên kết bên trong mạng mà không
liên kết trực tiếp với môi trường bên ngoài. Mạng Nơron truyền thẳng ña lớp ñược
gọi là liên kết ñầy ñủ nếu tất cả các ñầu ra từ lớp trước ñược liên kết với tất cả các
Nơron trong lớp kế tiếp. Hình (II.7- 1b) là một liên kết không ñầy ñủ.
Cả hai sơ ñồ trong hình (II.7- 1a) và hình (II.7- 1b) ñược gọi là mạng truyền
thẳng vì sơ ñồ liên kết các Nơron trong mạng lan truyền theo một hướng (không có
ñầu ra nào của Nơron ở lớp sau lại là ñầu vào của Nơron ở lớp trước nó ).
Khi ñầu ra của một Nơron lại ñóng vai trò là ñầu vào của các Nơron trên cùng lớp
ñó hoặc trong các lớp trước ñó thì gọi là mạng phản hồi. Hình (II.7- 1d) minh hoạ
mạng phản hồi một lớp: trong ñó ñầu ra của Nơron hướng trở lại ñến chính nó và ñến
các Nơron khác.
Phản hồi trong ñó ñầu ra của Nơron ñược hướng trực tiếp trở lại làm dầu vào của
các Nơron trong cùng một lớp gọi là phản hồi nhánh. Hình II.7 – 2 minh họa mạng
phản hồi nhánh 1 lớp.
Mạng phản hồi, trong ñó: tất cả các chu trình ñều kín gọi là mạng lặp (Hình II.7-
1c) chỉ ra một mạng lặp ñơn giản ( mỗi nút ñơn phản hồi ñến chính nó)). Trong mạng
lặp ña nhánh (Hình II.7- 1e), mỗi ñầu ra của Nơron ñược hướng trở lại các Nơron
trước ñó. ðồng thời, cũng hướng trực tiếp trở lại chính bản thân nó và ñến các Nơron
khác trên cùng một lớp.
8. Các luật học:
ðặc ñiểm quan trọng của mạng Nơron là khả năng học của chúng. Học ñể ñiều
chỉnh phản ứng ñáp lại môi trường. Một mạng Nơron ñược huấn luyện ñể từ một tập
vectơ nhập X tạo ra tập vectơ xuất mong muốn, hoặc học những ñặc ñiểm bên trong
và cấu trúc của dữ liệu từ tập X. Tập X dùng ñể huấn luyện mạng gọi là tập học. Mỗi
phần tử của tập X gọi là mẫu học. Quá trình học ñược phản ánh qua sự thay ñổi của
bộ trọng. Trong quá học, bộ trọng sẽ hội tụ dần về giá trị vectơ mong muốn.
Có 2 kỹ thuật học trong mạng Nơron nhân tạo: học tham số tập trung vào cập nhật
lại bộ trọng liên kết trong mạng Nơron nhân tạo (ANN) và học cấu trúc ñề cập ñến sự
thay ñổi cấu trúc mạng: gắn liền với sự thay ñổi số lượng Nơron và các hình thức liên
kết giữa chúng. Hai kiểu học này ñược thực hiện ñồng bộ hoặc tách rời nhau.
ðịnh nghĩa ma trận trọng số nối kết:
Cho trước n Nơron trong mạng Nơron nhân tạo và mỗi Nơron có m trọng số nối
kết tới nó. Lúc này ma trận trọng số nối kết W ñược ñịnh nghĩa như sau:
w 1T w 11 w 12 • • • w 1 m
T w w
w 2 21 22 • • • w 2 m
• • • •
W = =
• • • •
• • • •
w nT w n 1 w n 2 • • • w nm
Hình II.8 - 1: Ma trận trọng số nối kết
Trong ñó wi = ( wi1 , wi 2 ,..., wim ) T , i = 1, n là vectơ trọng của Nơron thứ i và wij là
trọng số liên kết Nơron j ñến Nơron thứ i.
Một mạng Nơron nhân tạo muốn hoạt ñộng hiệu quả phải tìm ñược bộ trọng hay
ma trận trọng thích hợp nhất. Việc học trong mạng Nơron chính là xác ñịnh ma trận
trọng, cần xây dựng luật học hiệu quả hướng ma trận trọng số W về ma trận tối ưu
sao cho hiệu quả hoạt ñộng của mạng nơron nhân tạo là cao nhất. Luật học có thể
chia làm 3 loại :
• Học có giám sát
• Học tăng cường
• Học không giám sát
Hình II.8 - 2 : Học có giám sát
Hình II.8 - 5: Luật học phát sinh trọng số (di không ñược cung cấp trong
trường hợp học không giám sát)
Theo 2 công thức trên, vector trọng số tại bước lặp (t+1) ñược xác ñịnh:
wi(t+1)=wi(t)+ηfr(wi(t),x(t),di(t))x(t) (a)
Công thức tập trung vào việc sửa ñổi trọng số có miền giá trị rời rạc, và bản sao
của nó cho việc sửa ñổi các trọng số có miền giá trị liên tục ñược xác ñịnh như sau:
dwi(t)/d(t) = η r x(t) (b)
Với hai công thức (a) và (b), các trọng số sẽ ñược khởi tạo (ví dụ: khởi tạo ngẫu
nhiên) trước khi thực hiện quá trình học.
Trên cơ sở luật học tổng quát trong công thức, nhiều luật huấn luyện và học các
trọng số có giám sát và không giám sát ñã ñược xây dựng.
9. Kết luận:
Trong chương này ñã ñề cập ñến mối liên quan giữa nơron nhân tạo và nơron sinh
học. Quá trình xử lý tại một nơron cũng ñã ñược ñề cập, các phép toán hợp nhất
và các hàm truyền thường sử dụng cũng ñã ñược bàn chi tiết trong nội dung của
chương. Bên cạnh cấu trúc mạng truyền thẳng ña lớp cơ bản, chương này cũng ñã
ñề cập ñến cấu trúc mạng phản hồi và mạng lặp.
Các ñịnh nghĩa về học giám sát, học không giám sát và học tăng cường cũng ñược
trình bày ở ñây. Luật học tổng quát cũng ñã ñược trình bày, nó sẽ là cơ sở ñể phát
triển các luật học khác chi tiết hơn trong các chương sau.
III. Bài tập áp dụng:
1. a. Thiết kế mạng nơron chỉ với một nơron M-P ñể có thể thực thi ba
phép toán logic cơ bản sau: (i) NOT(x1), (ii)OR(x1, x2), AND(x1, x2), với
x1, x2 ∈ {0, 1}
b. Giải thích tại sao một mạng nơron một lớp gồm các nơron M-P không
thể thi hành toán tử XOR.
2. a.Chứng minh rằng ñạo hàm của hàm truyền Sigmoid (logistic):
f ( x ) = 1 /(1 + e −αx ) là:
f’(x) = d(f(x))/d(x) = α f(x)[1-f(x)].
b. Chứng minh rằng ñạo hàm của hàm truyền trong biểu thức (phần 1):
m
f (∑ wij x j − θ i ) là:
j =1
α
f’(x) = d(f(x))/d(x) = [1-f2]
2
3. Các kết quả ñầu ra của hàm truyền thường nằm trong một giới hạn, giải
thích thuận lợi và bất thuận lợi của giới hạn này.
4. Thiết kế một mạng nơron với 5 nơron LTU ñể sinh ra giá trị Output là
+1 khi mẫu input hai chiều (x, y) nằm trong hình chữ nhật có 4 góc là
(1,1), (-2, 1), (-2, -3), (1, -3) trong không gian x,y. Và output là -1 khi
mẫu input (x,y) nằm ngoài hình chữ nhật này, vẽ hình minh họa.
5. Các mẫu từ hai lớp C1 và C2 ∈ R2 cần ñược phân lớp, thiết kế một mạng
nơron với 3 nơron LTU ñể thi hành tác vụ sau:
a. input (x, y) thuộc về lớp C1 nếu y-2x-2>0 và y+3x-3>0, ngược lại
thuộc về lớp C2.
b. input (x, y) thuộc về lớp C1 nếu y-2x-2>0 hoặc y+3x-3>0, ngược lại
thuộc về lớp C2.
6. a. Xây dựng một mạng nơron lặp với 5 node nhập, 3 node ẩn và 2 node
xuất và có liên kết phản hồi từ lớp ẩn về lớp nhập. Mô tả chi tiết phép
toán hợp nhất và hàm truyền sử dụng.
7. b. Tự xây dựng một mạng nơron có cấu trúc không giống hoàn toàn năm
cấu trúc ñã ñề xuất ở mục 7. Mô tả chi tiết phép toán hợp nhất và hàm
truyền sử dụng.
8. Áp dụng luật học tổng quát tại công thức II.8 – 1 và giả sử rằng tất cả
các nơron là LTU. Nếu tín hiệu học r ñược xác ñịnh bởi: r = di – yi. Với
yi là ñầu ra của node xuất i và di là giá trị ñầu ra mong ước. Người ta
ñịnh nghĩa luật học perceptron như sau:
∆wij= η [di - yi]xj. i = 1, 2, …n; j = 1, 2, ..., m.
Huấn luyện một mạng LTU một lớp hình II.8 - 5 sử dụng luật học
perceptron, với tập dữ liệu ñầu vào và ñầu ra mong ước là
(x1 = [1, -2, 0, -1]T, d1 = -1)
(x2 = [0, 1.5, -0.5, -1]T, d1 = -1)
(x3 = [-1, 1, 0.5, -1]T, d1 = +1)
Và vector trọng số khởi tạo là:
w1 = [1, -1, 0, 0.5]T hệ số học ñược xác lập cố ñịnh là 0.5. Chỉ ra từng
bước quá trình học cho ñến khi mạng phân lớp chính xác tất cả các
vector input.
9. Áp dụng luật học tổng quát tại công thức II.8 – 1 và giả sử rằng tất cả
các nơron là LGU. Tín hiệu học r ñược xác ñịnh bởi :
r = [di – f(wiTx)]f’(wiTx)
Với f là hàm truyền sigmoid với λ = 1, f’(.) là ñạo hàm của f theo giá trị
ñầu vào của nó: f ’(x) = f(x)(1–f(x)) và di là giá trị ñầu ra mong ước. Người
ta ñịnh nghĩa luật học delta như sau:
∆wij= η [di – f(wiTx)]f’(wiTx) xj. i = 1, 2, …n; j = 1, 2, ..., m.
Huấn luyện một mạng LGU một lớp, sử dụng luật học delta . Dữ liệu huấn
luyện là
[x(1) = (2, 0, -1)T , d1 = -1]
[x(2) = (1, -2, -1)T , d2 = +1]
Và vector trọng khởi tạo là w(1) = (1, 0, 1)T, hệ số học ñược xác lập cố
ñịnh là 0.5, thực thi hai vòng huấn luyện của quá trình học.
10. Áp dụng luật học tổng quát tại công thức II.8 – 1. Nếu tín hiệu học r
ñược xác ñịnh r = di – wiTx.
Người ta ñịnh nghĩa luật học Widrow – Hoff hay còn gọi là bình phương
trung bình nhỏ nhất (LeastMeanSquare - LSM)như sau:
∆wij= η [di - wTx]xj. i = 1, 2, …n; j = 1, 2, ..., m.
Chú ý rằng luật học này thì ñộc lập với hàm truyền. Sử dụng dữ liệu
trong bài 9 thực thi hai lần huấn luyện của quá trình học cho mạng nơron
trong hình II.8 - 5 với luật học Widrow – Hoff.