neurosolutions神經(jīng)網(wǎng)絡(luò)軟(已修改)
2025-06-06 22:58 本頁(yè)面
【正文】 NeuroSolutions 類神經(jīng)網(wǎng)路模擬介紹 決策分析研究室 何謂類神經(jīng)網(wǎng)路 類神經(jīng)網(wǎng)路的靈感源自於腦神經(jīng)學(xué) ， 其基本概念是希望透過(guò)模擬人腦結(jié)構(gòu)的方式來(lái)建立新一代的電腦處理模式 。 (中山大學(xué) 機(jī)電系 嚴(yán)成文教授 ) 運(yùn)用電腦（軟、硬體）來(lái)模擬生物大腦神經(jīng)的人工智慧系統(tǒng)，並將此應(yīng)用於辨識(shí)、決策、控制、預(yù)測(cè)， ? ? ? 等等。 (真理大學(xué)工管系 邱寬旭教授 ) 類神經(jīng)網(wǎng)路（ Neural Network， NN） 類似人類神經(jīng) 結(jié)構(gòu)，是「一種基於腦與神經(jīng)系統(tǒng)研究，所啟發(fā)的資訊處理技術(shù)」。具有人腦功能基本特性：學(xué)習(xí)、記憶和歸納。 (輔仁大學(xué)統(tǒng)計(jì)資訊學(xué)系 謝邦昌教授 ) 何謂類神經(jīng)網(wǎng)路 類神經(jīng)網(wǎng)路 並不需要瞭解系統(tǒng)的數(shù)學(xué)模型，直接以神經(jīng)網(wǎng)路取代系統(tǒng)的模型，一樣可以得到輸入與輸出之間的關(guān)係。 類 神經(jīng)網(wǎng)路和迴歸分析不同，沒(méi)有任何假設(shè)的機(jī)率分佈，是模式識(shí)別和誤差最小化的過(guò)程，在每一次經(jīng)驗(yàn)中提取和學(xué)習(xí)資訊。 類神經(jīng)網(wǎng)路可以處理 連續(xù)型 和 類別型 的資料，對(duì)資料進(jìn)行 預(yù)測(cè) 。 Input 類神經(jīng)網(wǎng)路 模型 Output Neural Network Model Brain Neuron (生物神經(jīng)元 ) Artificial neuron (人工神經(jīng)元 ) 人工神經(jīng)網(wǎng)路為一系列的處理單元，處理單元透過(guò)神經(jīng)樹(shù)之連結(jié)藉以調(diào)整連結(jié)強(qiáng)度 (權(quán)重 )來(lái)輸出。 f ( n e t )Inputsw 1w 2w ninput output 人工類神經(jīng)介紹 神經(jīng)元狀態(tài)分成興奮及抑制二種，以 1代表興奮，以0代表抑制 神經(jīng)元與其他神經(jīng)元間以神經(jīng)節(jié)連結(jié)，可用加權(quán)值代表神經(jīng)節(jié)之連結(jié)強(qiáng)度 神經(jīng)元之狀態(tài)會(huì)透過(guò)神經(jīng)節(jié)輸出至其他神經(jīng)元，而成為其他神經(jīng)元之狀態(tài)輸入 f ( n e t )Inputsw 1w 2w nArtificial neuron (人工神經(jīng)元 ) 類神經(jīng)網(wǎng)路的架構(gòu) 類神經(jīng)網(wǎng)路主要結(jié)構(gòu)是由神經(jīng)元（ neuron）、層（ layer）和網(wǎng)路（ work）三個(gè)部份所組成。 整個(gè)類神經(jīng)網(wǎng)路包含一系列基本的神經(jīng)元，通過(guò)權(quán)重（ weight）相互連接。 這些單元以層的方式組織，每一層的每個(gè)神經(jīng)元和前一層、後一層的神經(jīng)元連接。 輸入層 I 隱藏層 H 輸出層 O O O I I I I H H H ※ 圓圈的部分代表神經(jīng)元 類神經(jīng)網(wǎng)路的架構(gòu) 類 神經(jīng)網(wǎng)路的分為輸入層、輸出層和隱藏層，三層連結(jié)形成一個(gè)神經(jīng)網(wǎng)路。 輸入層只從外部環(huán)境接收資訊，該層的每個(gè)神經(jīng)元相當(dāng)於自變數(shù)，不完成任何計(jì)算，只為下一層傳遞資訊。 輸出層生成最終結(jié)果，為網(wǎng)路送給外部系統(tǒng)的結(jié)果值。 類神經(jīng)網(wǎng)路的架構(gòu) 隱藏層介於輸入層和輸出層之間，這些層完全用於分析，其函數(shù)聯(lián)繫輸入層變數(shù)和輸出層變數(shù)，使其更配適 (fit)資料。 目前尚沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)方法可以計(jì)算神經(jīng)網(wǎng)路的最佳層數(shù)。 一層加權(quán)神經(jīng)元的網(wǎng)路稱單層感知器，多層加權(quán)神經(jīng)元的網(wǎng)路稱多層感知器（ multilayer perceptrons）。 MP(MultiLayer Perceptron) 模型公式： Yj = f( j) Yj處理單元函數(shù) j = ΣWij Xi – θj Wij = 連結(jié)強(qiáng)度 Xi = 神經(jīng)元 i所傳來(lái)之訊號(hào) θj = 神經(jīng)元 j之閥值 f = 轉(zhuǎn)換函數(shù)，通常為階梯函數(shù) (Step function) f(x) = △ Wij = ηXi Xj η：學(xué)習(xí)速率，控制權(quán)重修正幅度 {T}目標(biāo)輸出量 {Y}推論輸出量 δ差距量 ，用來(lái)修正權(quán)重 差距量 = 目標(biāo)輸出量 – 推論輸出量 = δj = Tj – Yj 權(quán)重改變量 = △ Wij = η?δj?Xi 輸出單元閥值改變量 = △ θj = η?δj 總錯(cuò)誤率 = 誤分類案例總數(shù) /範(fàn)例種數(shù) BPN原理簡(jiǎn)單介紹 提供範(fàn)例資料給神經(jīng)網(wǎng)路 神經(jīng)網(wǎng)路運(yùn)算後產(chǎn)生輸出資料 神經(jīng)網(wǎng)路運(yùn)算後產(chǎn)生輸出資料並比較滿意值 修正網(wǎng)路中之權(quán)重以降低誤差 範(fàn)例資料輸入 網(wǎng)路 權(quán)重 w 修正權(quán)重參數(shù) 訓(xùn)練演算法 誤差 差異 目標(biāo)值 輸出值與目標(biāo)值比較 產(chǎn)生輸出資料 Neural Networks的要求 神經(jīng)網(wǎng)路學(xué)習(xí)是透過(guò)範(fàn)例來(lái)讓網(wǎng)路收斂，因此輸入資料必須為： 擁有足夠範(fàn)例資料來(lái)讓神經(jīng)網(wǎng)路作適當(dāng)之歸納。 適度的訓(xùn)練 資料中的關(guān)係變數(shù)無(wú)絕對(duì)之影響變數(shù) 針對(duì)監(jiān)督式學(xué)習(xí)需要有期望輸出值 (目標(biāo)值 ) 訓(xùn)練， 輸入值 為其關(guān)鍵 信賴度 Neural works are very powerful 對(duì)於神經(jīng)網(wǎng)路之是基於訓(xùn)練之資料上。 若資料不足則沒(méi)辦法修正權(quán)重作業(yè)。 透過(guò)充分資料之訓(xùn)練的神經(jīng)網(wǎng)路，是可信賴的。 類神經(jīng)網(wǎng)路的應(yīng)用 工業(yè)應(yīng)用 控制器設(shè)計(jì)與系統(tǒng)鑑別
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1