《生物神經(jīng)元》ppt課件-文庫吧
2024-12-24 05:11 本頁面
【正文】 函數(shù) 非線性斜面函數(shù) 閾值函數(shù)，又稱階躍函數(shù) S型函數(shù) S型激活函數(shù)的特性 非線性 處處連續(xù)可導 有較好的增益控制 —防止網(wǎng)絡進入飽和狀態(tài) o 0 人工神經(jīng)元， MP模型 x1 x2 xn =XW w1 w2 wn ? o=f() 將基本模型和激活函數(shù)合在一起就構成了人工神經(jīng)元 這就是著名的 McCullochPitts模型， MP模型 也稱處理單元 PE 人工神經(jīng)網(wǎng)絡的簡化畫法 用節(jié)點代表神經(jīng)元，加權有向邊代表從神經(jīng)元到 神經(jīng)元之間的有向聯(lián)結，權代表聯(lián)結強度，箭頭 代表信號的傳遞方向。 簡單單級網(wǎng) 輸入層的神經(jīng)元不對輸入信號做任何處理，它們只 起到對輸入向量 X的扇出作用。 簡單單級網(wǎng) x1 x2 xn w11 o1 o2 om 簡單單級網(wǎng)的輸入輸出 W=(wij)= w11 w21 wn1 w12 w22 wn2 w1m w2m wnm … … … 權矩陣： 輸入層第 j個神經(jīng)元的網(wǎng)絡輸入為： j =x1w1j+x2w2j+…+x nwnj (1 從而有 NET= 2 m ) , ,… O=F(NET) 多級網(wǎng) 研究表明，單級網(wǎng)的功能是有限的，適當增加網(wǎng)絡 的層數(shù)是提高網(wǎng)絡計算能力的一個途徑。 x1 x2 xn o1 o2 om . . . 多級網(wǎng)的幾個約定 輸入層：只起到輸入信號的扇出作用，不記入層數(shù)。 第 j層：第 j1層的直接后續(xù)層。 輸出層：網(wǎng)絡的最后一層，具有最大層號， 負責輸出網(wǎng)絡的計算結果。 隱藏層：網(wǎng)絡輸入層與輸出層以外的層 層數(shù)：網(wǎng)絡輸入層的層號 第 j1層到第 j層的聯(lián)結矩陣稱第 j層聯(lián)結矩陣，記 W(j) 非線性激活函數(shù) 非線性激活函數(shù)在多級網(wǎng)絡中其著非常重要的作用。 如果采用線性激活函數(shù)，則多級網(wǎng)的功能不會超過 單級網(wǎng)的功能。 網(wǎng)絡模式的概念 所有的信息都是以模式的形式表現(xiàn)出來的。 輸入向量是模式； 輸出向量是模式； 同層神經(jīng)元的某一時刻的狀態(tài)是模式； 所有神經(jīng)元的某一時刻的狀態(tài)是模式； 權矩陣及其所含的向量都是模式。 空間模式與時空模式 網(wǎng)絡在某一時刻的狀態(tài)所確定模式稱為空間模式 以時間維為軸展開的空間模式系列稱為時空模式 他們?nèi)缤环嬅媾c整個電影的關系 當研究穩(wěn)定性和網(wǎng)絡訓練的收斂過程時涉及時空模式 一般情況下，只涉及空間模式 人工神經(jīng)網(wǎng)絡的訓練 人工神經(jīng)網(wǎng)絡的學習過程就是對它的訓練過程 訓練： 輸入樣本向量 將樣本集的內(nèi)涵以聯(lián)結權矩陣的方式存儲起來 使網(wǎng)絡接收輸入時，可以給出適當?shù)妮敵? 調(diào)整權矩陣 人工神經(jīng)網(wǎng)絡的無導師訓練 其訓練集中只含一些輸入向量，訓練算法致力于修 改權矩
教學課件相關推薦
鄂ICP備17016276號-1