Mạng ADAPLINE (Adaptive Linear Neuron networks) giống như perceptron nhưng hàm truyền là tuyến tính cho ngõ ra có giá trị không giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính. Chương này đề cập quy luật huấn luyện LMS (Least Mean Squares) hay Widrow- Hoff, mạnh hơn quy luật huấn luyện perceptron.
Với mỗi vector vào ta có thể tính được vector ra, sai số e là sự sai khác giữa vector ra và vector mong muốn. Ta có thể thay đổi giá trị trọng số w, giá trị ngưỡng b để tổng bình phương sai số là nhỏ nhất hoặc nhỏ hơn một giá trị cụ thể. Vấn đề này có thể được giải quyết bởi vì mạng tuyến tính chỉ có một giá trị nhỏ nhất của sai số. Trong hầu hết trường hợp chúng ta có thể tính trực tiếp mạng tuyến tính như là việc tính sai số cực tiểu trên vector vào và vector ra. Ta thiết kế hệ thống tuyến tính thích ứng có khả năng đáp ứng được với sự thay đổi môi trường. Mạng tuyến tính được điều chỉnh theo từng bước dựa trên vector vào mới và vector mong muốn để tìm được các giá trị trọng số và ngưỡng thích hợp sao cho tổng bình phương sai số nhỏ nhất. Mạng loại này thường được sử dụng trong những bộ lọc, những hệ thống điều khiển và xử lý tín hiệu số.
1. MÔ HÌNH NEURON
Phần 3_Chương 4 : Bộ lọc tuyến tính thích ứng
Mô hình mạng tuyến tính này có cấu trúc giống mạng perceptron, chỉ khác là sử dụng hàm
truyền tuyến tính purelin.
Hàm truyền tuyến tính tính toán ngõ ra của neuron theo những giá trị được đưa qua nó :
a = purelin (n) = purelin (Wp + b) = Wp + b
Neuron có thể được huấn luyện để học tập một hàm quan hệ của các vector đầu vào hoặc tìm xấp xỉ gần đúng cho hàm phi tuyến. Mạng tuyến tính dĩ nhiên không thể thực hiện những tính toán phi tuyến.