神經(jīng)計(jì)算ppt課件(已修改)
2025-01-17 15:32 本頁(yè)面
【正文】 第 4章 神經(jīng)計(jì)算 ? 1 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ) ? 2 感知器 ? 3 BP神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)是人腦及其活動(dòng)的一個(gè)理論化的數(shù)學(xué)模型，它由大量的處理單元通過適當(dāng)?shù)姆绞交ミB構(gòu)成，是一個(gè)大規(guī)模的非線性自適應(yīng)系統(tǒng)。 ? 是一個(gè)并行、分布處理結(jié)構(gòu)，它由處理單元及稱為連接的無(wú)向信號(hào)通道互連而成。 ? 1）學(xué)習(xí)能力 ? 2）普化能力 ? 3）信息的分布存放 ? 4）適用性 學(xué)習(xí)能力 ? 可以根據(jù)所在的環(huán)境取改變它的行為。也就是說(shuō)，人工神經(jīng)網(wǎng)絡(luò)可以接受用戶提交的樣本集合，依照系統(tǒng)給定的算法，不斷修正用來(lái)確定系數(shù)行為的神經(jīng)元之間的連接強(qiáng)度，而且在網(wǎng)絡(luò)的基本構(gòu)成確定之后，這種改變是根據(jù)其接受的樣本集合自然進(jìn)行的。 ? 在學(xué)習(xí)過程中，人工神經(jīng)網(wǎng)絡(luò)不斷從所接受的樣本集合中提取該集合所蘊(yùn)含的基本內(nèi)容，并將其以神經(jīng)元之間的連接權(quán)重的形式存放于系統(tǒng)中。 ? 對(duì)于不同的人工神經(jīng)網(wǎng)絡(luò)模型來(lái)說(shuō)，有不同的學(xué)習(xí) /訓(xùn)練算法，有事，同種結(jié)構(gòu)的網(wǎng)絡(luò)擁有不同的算法，以適應(yīng)不同的應(yīng)用要求。對(duì)一個(gè)網(wǎng)絡(luò)模型來(lái)說(shuō)，其學(xué)習(xí) /訓(xùn)練算法是非常重要的。 普化能力 ? 由于其運(yùn)算的不精確性，人工神經(jīng)網(wǎng)絡(luò)在被訓(xùn)練后，對(duì)輸入的微小變化是不反應(yīng)的。與事物的兩面性相對(duì)應(yīng)，雖然在要求高精度計(jì)算時(shí)，這種不精確性是一個(gè)缺陷，但是，有些場(chǎng)合又可以利用這一點(diǎn)獲取系統(tǒng)的良好性能。例如，可以使這種不精確性表現(xiàn)成“去噪聲，容殘缺”的能力，而這對(duì)模式識(shí)別有時(shí)恰好是非常重要的。 適用性 ? 人工神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)于處理適用形象思維的問題。主要包括兩個(gè)方面： ? 1）對(duì)大量的數(shù)據(jù)進(jìn)行分類，并且只有較少的幾種情況。 ? 2）必須學(xué)習(xí)一個(gè)復(fù)雜的非線性映射。 ANN類型與功能 計(jì)算功能 ANN模型代表 數(shù)學(xué)近似映射，如模式識(shí)別，分類，函數(shù)逼近 BP CPN RBF Elamn 概率密度函數(shù)估計(jì) SOM CPN 從二進(jìn)制數(shù)據(jù)基中提取相關(guān)信息 BSB（ 腦中盒模型 ） 形成拓?fù)溥B續(xù)及統(tǒng)計(jì)意義上的同構(gòu)映射 SOM,Kohonen 最近相鄰模式分類 BP,BM(玻爾茲曼機(jī) )， CPN, Hopfield，BAM,ART, Kohonen 數(shù)據(jù)聚類 ART 最優(yōu)化 BM Hopfield ? 基本構(gòu)成 ? 激活函數(shù) ? MP模型 基本構(gòu)成 激活函數(shù) ? 神經(jīng)元在獲得網(wǎng)絡(luò)輸入后，它應(yīng)該給出適當(dāng)?shù)妮敵?。按照生物神?jīng)元的特性，每個(gè)神經(jīng)元有一個(gè)閾值，當(dāng)該神經(jīng)元所獲得的輸入信號(hào)的累積效果超過閾值時(shí)，它就處于激發(fā)態(tài)；否則，應(yīng)該處于抑制態(tài)。為了使系統(tǒng)有更寬的適用面，希望人工神經(jīng)元有一個(gè)更一般的變換函數(shù)，用來(lái)執(zhí)行對(duì)該神經(jīng)元所獲得的網(wǎng)絡(luò)輸入的變換，這就是激活函數(shù)，也可以稱之為激勵(lì)函數(shù)、活化函數(shù)，用 f表示： ? 式中， o是該神經(jīng)元的輸出。由此式可以看出，此函數(shù)同時(shí)也用來(lái)將神經(jīng)元的輸出進(jìn)行放大處理或限制在一個(gè)適當(dāng)?shù)姆秶鷥?nèi)。典型的激活函數(shù)有線性函數(shù)、非線性斜面函數(shù)、階躍函數(shù)和 S形函數(shù)等 4種。 ()o f ne t? MP模型 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) ? 單級(jí)網(wǎng) ? 多級(jí)網(wǎng) ? 循環(huán)網(wǎng) 簡(jiǎn)單單級(jí)網(wǎng) 多級(jí)前饋網(wǎng) ? 人工神經(jīng)網(wǎng)絡(luò)最具有吸引力的特點(diǎn)是其學(xué)習(xí)能力。 ? 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是對(duì)它的訓(xùn)練過程。所謂訓(xùn)練，就是在將由樣本向量構(gòu)成的樣本集合（簡(jiǎn)稱為樣本集、訓(xùn)練集）輸入到人工神經(jīng)網(wǎng)絡(luò)的過程中，按照一定的方式去調(diào)整神經(jīng)元之間的連接權(quán)，使得網(wǎng)絡(luò)能將樣本集的內(nèi)涵以連接權(quán)矩陣的方式存儲(chǔ)起來(lái)，從而使得在網(wǎng)絡(luò)接受輸入時(shí)，可以給出適當(dāng)?shù)妮敵觥? ? 從學(xué)習(xí)的形式來(lái)看，一種是有導(dǎo)師學(xué)習(xí)，另一種是無(wú)導(dǎo)師學(xué)習(xí)，
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1