神經(jīng)網(wǎng)絡(luò)建模ppt課件(已修改)
2025-01-17 15:32 本頁(yè)面
【正文】 人工神經(jīng)網(wǎng)絡(luò)建模 數(shù)學(xué)與信息科學(xué)系 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上發(fā)展起來(lái)的，旨在模擬人腦結(jié)構(gòu)以及功能的一種抽象的數(shù)學(xué)模型 ,其中 Hopfield神經(jīng)網(wǎng)絡(luò)、 ART神經(jīng)網(wǎng)絡(luò)、 BP神經(jīng)網(wǎng)絡(luò)是常用的網(wǎng)絡(luò)。 ?Hopfield神經(jīng)網(wǎng)絡(luò)是由相同的神經(jīng)元構(gòu)成的單元，是一類不具有學(xué)習(xí)能力的單層自聯(lián)想網(wǎng)絡(luò)，她的網(wǎng)絡(luò)模型由一組可使某一個(gè)能量函數(shù)最小的微分方程組成。 ?ART神經(jīng)網(wǎng)絡(luò)主要用于模式識(shí)別，她的不足之處在于對(duì)轉(zhuǎn)換、失真和規(guī)模變化較敏感 ?BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播的多層前向網(wǎng)絡(luò) ,其信息處理機(jī)制由神經(jīng)元激活特性和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)決定 ,神經(jīng)元的傳遞函數(shù)是非線性函數(shù) ,網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層、輸出層組成 ,同層節(jié)點(diǎn)間無(wú)關(guān)聯(lián) ,異層節(jié)點(diǎn)前向連接。 、人工神經(jīng)元模型 人工神經(jīng)網(wǎng)絡(luò)的基本單元的神經(jīng)元模型 人工神經(jīng)元的三個(gè)要素 10003( ) ,( ) , ( 0 = = )ijmij iij j jmj ij i j j jiwwxby f w x i w w???????? ? ????1 、 一 組 連 接 （ 突 觸 ） ， 連 接 強(qiáng) 度 由 各 連 接 上 的 權(quán) 值 表 示 ， 權(quán) 值 為 正 表示 激 活 ， 負(fù) 表 示 抑 制2 、 一 個(gè) 求 和 單 元 ， 用 于 求 取 各 輸 入 信 號(hào) 之 間 的 加 權(quán) 和、 一 個(gè) 非 線 性 激 活 函 數(shù) f ， 起 到 非 線 性 映 射 的 作 用 并 將 神 經(jīng) 元 的 輸 出 限 制在 一 定 范 圍 內(nèi)還 有 閾 值 或 偏 置 可 通 過(guò) 把 輸 入 維 數(shù) 增 加 一 維 把 閾 值 包 括 進(jìn) 去對(duì) 應(yīng) 閾 值 ， 1 或 偏 置 1（傳遞）函數(shù)的取法 在 Matlab工具箱里包括了許多激活（傳遞）函數(shù)。在“ Transfer Function Graphs” 中可以找到它們的完全列表 函數(shù)名 功 能 purelin 線性傳遞函數(shù) hardlim 硬限幅遞函數(shù) hardlims 對(duì)稱硬限幅遞函數(shù) satli 飽和線性傳遞函數(shù) satlins 對(duì)稱飽和線性傳遞函數(shù) logsig 對(duì)數(shù) S 形傳遞函數(shù) tansig 正切 S 形傳遞函數(shù) radbas 徑向基傳遞函數(shù) pet 競(jìng)爭(zhēng)層傳遞函數(shù) 222211 , 0 1 , 01 ( ) ( )0 , 0 1 , 02 ( ) t a nh ( ),03 ( ) 10 , 014 ( ) e xp ( )2xxxxnj jiiixxf x f xxxeef x xeexxsi gmo i d f x xxf x x x????????????? ? ??????????? ???????? ? ??????、 階 躍 函 數(shù) ： ， 或 符 號(hào) 函 數(shù)、 雙 曲 正 切 函 數(shù) ：、 函 數(shù) （ S 型 ） ：、 高 斯 函 數(shù) ：、網(wǎng)絡(luò)結(jié)構(gòu)以及工作方式 從連接方式看 NN主要有兩種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)： ? 前饋型網(wǎng)絡(luò)：結(jié)點(diǎn)分為輸入單元和計(jì)算單元 ? 反饋型網(wǎng)絡(luò)：所有結(jié)點(diǎn)都是計(jì)算單元 NN的工作過(guò)程主要分為兩個(gè)階段： 第一階段：學(xué)習(xí)期，此時(shí)個(gè)計(jì)算單元狀態(tài)不變，各連線上的權(quán)值可通過(guò)學(xué)習(xí)來(lái)修改 第二階段：工作期，此時(shí)各連接權(quán)值固定，計(jì)算各單元狀態(tài)變化 網(wǎng)絡(luò)結(jié)構(gòu)：前饋型神經(jīng)網(wǎng)絡(luò) 兩個(gè)或更多的上面所示的神經(jīng)元可以組合成一層，一個(gè)典型的網(wǎng)絡(luò)可包括一層或者多層。我們首先來(lái)研究神經(jīng)元層。 單層神經(jīng)元網(wǎng)絡(luò) 有 R輸入元素和 S個(gè)神經(jīng)元組成的單層網(wǎng)絡(luò)如下圖所示 n{1}={1,1}*p+{1} 多層神經(jīng)元網(wǎng)絡(luò) 上面所示的網(wǎng)絡(luò)有 R1個(gè)輸入，第一層有 S1個(gè)神經(jīng)元，第二層 有 S2個(gè)神經(jīng)元 … 中間層的輸出就是下一層的輸入。第二層可看作有 S1個(gè)輸入，S2個(gè)神經(jīng)元和 S1xS2 階權(quán)重矩陣 W2 的單層網(wǎng)絡(luò)。第二層的輸入是 a1，輸出是 a2，現(xiàn)在我們已經(jīng)確定了第二層的所有向量和矩陣，我們就能把它看成一個(gè)單層網(wǎng)絡(luò)了。其他層也可以照此步驟處理。 多層網(wǎng)絡(luò)的功能非常強(qiáng)大。例、一個(gè)兩層的網(wǎng)絡(luò)，第一層的轉(zhuǎn)移函數(shù)是曲線函數(shù)，第二層的轉(zhuǎn)移函數(shù)是線性函數(shù)，通過(guò)訓(xùn)練，它能夠很好的模擬任何有有限斷點(diǎn)的函數(shù)。這種兩層網(wǎng)絡(luò)集中應(yīng)用于 “ 反向傳播網(wǎng)絡(luò) ” 。 注意 :我們把第三層的輸出 a3標(biāo)記為 y。我們將使用這種符號(hào)來(lái)定義這種網(wǎng)絡(luò)的輸出。 newp
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1