類神經(jīng)網(wǎng)路介紹(已修改)
2024-10-12 19:38 本頁(yè)面
【正文】 參 類神經(jīng)網(wǎng)路介紹 ? 一、起源 》 : ? 自 1940年起，科學(xué)家即著手從事此方面的研究，仿造最簡(jiǎn)單的 神經(jīng)元 模式，開始建立最原始的類神經(jīng)網(wǎng)路 (Neural Network )，歷經(jīng) 40年的發(fā)展，類神經(jīng)的研究工作雖曾一度陷入低潮，近幾年又再度復(fù)甦，並且 結(jié)合了生理，心理，電腦等科技而成為新的研究領(lǐng)域 。 ? 電腦的功能雖然日新月異，但卻不能因此就完全取代人腦。因 人腦可輕易的聽、說(shuō)、讀、寫、看，電腦卻力有未逮。尤其是在影像處理或語(yǔ)音辨認(rèn)等問(wèn)題，電腦更是無(wú)法勝任。這顯然意謂人腦有著尚未為人所知的特殊結(jié)構(gòu)。要如何模擬這種複雜的人類行為進(jìn)而建立一部可以人腦匹敵的電腦，可說(shuō)是電腦科學(xué)家的一大夢(mèng)想。 參 類神經(jīng)網(wǎng)路介紹 ? 類神經(jīng)網(wǎng)路已被研究多年。這些類神經(jīng)網(wǎng)路的模型主要是嘗試著去模仿人類的神經(jīng)系統(tǒng)，因?yàn)?人類的神經(jīng)系統(tǒng)在語(yǔ)音、聽覺、影像和視覺方面均有很完美的表現(xiàn)，所以也期望這些模型能夠在這些方面有出色的成果。 很明白的，類神經(jīng)的架構(gòu)就是來(lái)自於現(xiàn)今對(duì)人類神經(jīng)系統(tǒng)的認(rèn)識(shí)?，F(xiàn)今的類神經(jīng)網(wǎng)路是由很多 非線性的運(yùn)算單元 (我們叫 神經(jīng)元 Neuron)和位於這些運(yùn)算單元間的眾多 連結(jié) 所組成，而這些運(yùn)算單元通常是以 平行且分散的方式在作運(yùn)算，如此就可以同時(shí)處理大量的資料，由這樣的設(shè)計(jì)就可以被用來(lái)處理各種需要大量資料運(yùn)算的應(yīng)用上，比如說(shuō)語(yǔ)音辨認(rèn)等。 ? 類 神經(jīng)網(wǎng)路具有相當(dāng)多的優(yōu)點(diǎn) ,在控制方面 ,它可以解決許多具有 高度非線性 ,無(wú)法用一般控制理論解決的問(wèn)題 ,或是很難解決的問(wèn)題。因?yàn)轭惿窠?jīng)網(wǎng)路具有 學(xué)習(xí) 的能力 ,可以調(diào)整出適當(dāng)?shù)纳窠?jīng)鍵連結(jié) 權(quán)重值 ,使得類神經(jīng)網(wǎng)路輸出一理想的控制信號(hào)給受控系統(tǒng) ,讓該系統(tǒng)擁有良好的控制性能。 ? 二、神經(jīng)網(wǎng)路基本模型 ? 每一個(gè)神經(jīng)細(xì)胞網(wǎng)路模型，其特性是由網(wǎng)路的 拓樸 (Topology)圖形 ， 節(jié)點(diǎn)的特性 加以決定。在訓(xùn)練的過(guò)程中這些法則最初是由一組 初始加權(quán) (Initial Weights)值 來(lái)決定，並在 學(xué)習(xí)過(guò)程 中調(diào)整其加權(quán)以增進(jìn)效率，經(jīng)由不斷的調(diào)整和學(xué)習(xí)，使得真正的網(wǎng)路輸出與目標(biāo)值能達(dá)到相同值後，才固定網(wǎng)路中的加權(quán)值，此時(shí)才算訓(xùn)練完成。 ? 三、神經(jīng)網(wǎng)路的架構(gòu)與訓(xùn)練演算法 ? :其可形成兩個(gè)決定區(qū)域 (Decision Region)， 牽而此二區(qū)域由一超平面 (Hyperplane)加以分隔開來(lái)。有一特殊情形就是，若網(wǎng)路只涉到兩個(gè)輸入，則超平面便退化成一條直線。 ? :其是在輸入層節(jié)點(diǎn)與輸出層節(jié)間多了一層或多層的隱藏層 (Hidden Layer)，即輸入節(jié)點(diǎn)沒有直接接往輸出節(jié)點(diǎn)。 ? 四、學(xué)習(xí)演算法 (Learning Algorithm) ? 假如我們想要把輸入的類別完全劃分開來(lái)，則需要利用演算法來(lái)調(diào)整節(jié)點(diǎn)與節(jié)點(diǎn)的加權(quán)及節(jié)點(diǎn)本身的偏移量。例如 倒傳遞訓(xùn)練演算法(Backpropagation Training Algorithm)的基本精神，在於使輸出層之 實(shí)際輸出值 (Actual Output)和希望達(dá)到的 期望 (Desired Output)之間的 平均平方差 (Mean Square Error)達(dá)到最小境界，使整個(gè)網(wǎng)路的加權(quán)，儘可能朝向所希望的目標(biāo)值調(diào)整。 ? 像圖形辨認(rèn)這類型問(wèn)題很適合用神經(jīng)網(wǎng)路來(lái)解決，因只須將無(wú)法明白消化的知識(shí)，透過(guò)學(xué)習(xí)，即可自動(dòng)存到網(wǎng)路中。除此之外，如何改良網(wǎng)路的學(xué)習(xí)方法，亦是研究類神經(jīng)網(wǎng)路非常迫切的話題。隨著類神經(jīng)網(wǎng)路的日趨成熟，相信未來(lái)它將有可能取代以往傳統(tǒng)的辨認(rèn)技術(shù)。 ? 五、類神經(jīng)網(wǎng)路之特性 ? 類神經(jīng)網(wǎng)路之所能在短短的十年間，成為一個(gè)廣為眾人重視及投入的研究，主要原因是其具有許多優(yōu)異的特性：此以往很多需經(jīng)長(zhǎng)期人工作業(yè)以及大量資料分析方能解決的問(wèn)題，而現(xiàn)經(jīng)利用神經(jīng)網(wǎng)路，在很短時(shí)間內(nèi)便可獲得解決 : ? ? 早期人工智慧平行處理的研究只集中在小程度的平行，而
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1