Frage bzgl. Backward Propagation Aufgabe

[Backward (Gast)]

Hallo Community,

ich habe eine Frage bzgl. folgender Aufgabe:

Ein Neuronales Netz - aktuell durch ein simples Neuron repräsentiert - 
soll mit folgenden Inputs auf den Zielwert y=1 trainiert werden:
x1=2;x2=3;w1=0.11;w2=0.21; Fehlerfunktion E: 0.5(y_ziel - y_aktuell)^2

Explizit erwähnt wird das es erstmal keine Aktivierungsfunktion gibt, 
d.h. das Neuron feuert immer.

Das Training wird durch Minimierung des Fehlers (mittels 
Gradientenabstiegsverfahren) in Bezug auf die Gewichtungen erreicht.

Nach wiederholten Rechnungen komme ich allerdings immer zu folgendem 
Schluss (Ergebnis der partiellen Ableitung):

y_aktuell = x1*w1+x2*w2

dE/dw1 = (y - y_aktuell) * x1

dE/dw2 = (y - y_aktuell) * x2

w1_neu = w1_alt - dE/dw1

w2_neu = w2_alt - dE/dw2

Allerdings wird der Fehler dadurch immer größer anstatt kleiner.

Wo liegt mein Fehler?

Danke vorab für hilfreiche Antworten.

[A. S. (rava)]

Du hast einen Vorzeichenfehler

[Backward (Gast)]

Ich hab es auch schon mit umgedrehten Vorzeichen (+ x1 anstatt -x1) 
gerechnet, allerdings wird dadurch der Fehler ebenfalls größer.

[Backward (Gast)]

Sorry, meinte
w1_neu = w1_alt + dE/dw1

w2_neu = w2_alt + dE/dw2

[Sigi (Gast)]

Die Gleichungen

  w1_neu = w1_alt - dE/dw1
  w2_neu = w2_alt - dE/dw2

stimmen iE schon, d.h. das Voreichen vor den
Gradientenkomponenten stimmt. Es fehlt aber noch
eine weitere Gewichtung:

  w1_neu = w1_alt - sigma*dE/dw1
  w2_neu = w2_alt - sigma*dE/dw2

mit sigma>=0.

In deinem Fall lässt sich sigma explizit berechnen
(iA ist das aber schwer bis nicht praktikabel).