神經(jīng)網(wǎng)絡模式識別法介紹(已修改)
2025-01-15 14:43 本頁面
【正文】 第 8章 人工神經(jīng)網(wǎng)絡發(fā)展概況 神經(jīng)網(wǎng)絡基本概念 前饋神經(jīng)網(wǎng)絡 反饋網(wǎng)絡模型 Hopfield網(wǎng)絡 第 8章 神經(jīng)網(wǎng)絡模式識別法 人工神經(jīng)網(wǎng)絡發(fā)展概況 人工神經(jīng)網(wǎng)絡 (Artificial Neural Networks， ANN)： 簡稱神經(jīng)網(wǎng)絡。 模擬人腦神經(jīng)細胞的工作特點： 與目前按串行安排程序指令的計算機結構截然不同。 * 單元間的廣泛連接； * 并行分布式的信息存貯與處理； * 自適應的學習能力等。 優(yōu)點： (1) 較強的容錯性 。 (2) 很強的自適應學習能力； (3) 可將識別和若干預處理融為一體進行； (4) 并行工作方式； (5) 對信息采用分布式記憶，具有魯棒性。 四個發(fā)展階段： 第一階段：啟蒙期，始于 1943年。 形式神經(jīng)元的數(shù)學模型提出。 第二階段：低潮期，始于 1969年。 《感知器》 (Perceptions)一書出版，指出局限性 。 第三階段：復興期，從 1982年到 1986年。 Hopfield的兩篇論文提出新的神經(jīng)網(wǎng)絡模型； 《并行分布處理》出版，提出反向傳播算法。 第四個階段： 1987年至今，趨于平穩(wěn)。 回顧性綜述文章 “神經(jīng)網(wǎng)絡與人工智能 ” 。 神經(jīng)網(wǎng)絡基本概念 生物神經(jīng)元 1．生物神經(jīng)元的結構 來自其它 神經(jīng)元軸突 的 神經(jīng)末梢 細胞體 軸突 細胞核 樹突 神經(jīng)末梢 突觸 細胞體、樹突、軸突和突觸。 2．生物神經(jīng)元的工作機制 興奮和抑制兩種狀態(tài)。 抑制狀態(tài)的神經(jīng)元 由樹突和細胞體 接收傳來的興奮電位 不應期 產(chǎn)生輸出脈沖 輸入興奮總 量超過閾值 神經(jīng)元被激發(fā) 進入興奮狀態(tài) 由突觸傳遞給其它神經(jīng)元 人工神經(jīng)元及神經(jīng)網(wǎng)絡 人工神經(jīng)元：生物神經(jīng)元的簡化模擬。 人工神經(jīng)元間的互連：信息傳遞路徑軸突 突觸 樹突的簡化； 連接的權值：兩個互連的神經(jīng)元之間相互作用的強弱。 x 1 x 2 x n w 1 w 2 w n ┇ ∑ f y ? ┇ 圖 人工神經(jīng)元模型 接收的信息 (其它神經(jīng)元的輸出 ) 互連強度 作比較 的 閾值 n維輸入向量 X 輸出 輸出函數(shù) 神經(jīng)元的動作： ???niii xw1 )( fy ? ),( Rwx ii ?輸出函數(shù) f： 也稱作用函數(shù)，非線性。 0 1 y θ （ a） 0 1 y （ b ） y （ c ） 0 1 閾值型 S型 偽線性型 f 為閾值型函數(shù)時： ?????? ?? ??niii xwy1sgn ?1??? nw?設 ，點積形式： )sgn( T XW?y T11 ],[ ?? nn ?W T1 ]1,[ nxx ??X式中， 神經(jīng)網(wǎng)絡的學習 學習： 同一個訓練集的樣本輸入輸出模式反復作用于網(wǎng)絡，網(wǎng) 絡按照一定的訓練規(guī)則自動調節(jié)神經(jīng)元之間的連接強度或拓 撲結構，使實際輸出滿足期望的要求或者趨于穩(wěn)定。 實質： 1． Hebb學習規(guī)則 典型的權值修正方法： Hebb學習規(guī)則、誤差修正學習 如果神經(jīng)網(wǎng)絡中某一神經(jīng)元與另一直接與其相連的神經(jīng) 元同時處于興奮狀態(tài)，那么這兩個神經(jīng)元之間的連接強度應 該加強。 神經(jīng)網(wǎng)絡的最重要特征之一。 ┇ x 2 x i i yi x 1 j w ij w 2 j ┇ w 1 j ┇ ┇ wn j y j ┇ x n )]()([)()1( tytytwtw ijijij ????wij(t+1)：修正一次后的某一權值； η：學習因子，表示學習速率的比例常數(shù)； yj(t)， yi(t)：分別表示 t時刻第 j個和第 i個神經(jīng)元的狀態(tài)（輸出）。 由 有： )(
教學課件相關推薦
鄂ICP備17016276號-1