生物神經(jīng)元ppt課件-wenkub
2023-01-23 05:11:56 本頁面
【正文】 該神經(jīng)元的激活狀態(tài) 人工神經(jīng)元的網(wǎng)絡輸入 設 n個輸入分別為 x1 , x2 , … , x n，對應的權分別為 w1, w2, …, w n，即有輸入向量和權向量： X=(x1 , x2 , … , x n) W=(w1, w2, …, w n) =?xiwi =XW 神經(jīng)元網(wǎng)絡輸入： x1 x2 xn =XW w1 w2 wn ? 激活函數(shù) (激勵函數(shù)、活化函數(shù) ) 每個生物神經(jīng)元有一個閾值，當輸入信號累加效果 超過閾值時，神經(jīng)元處于激活狀態(tài)，否則處于抑制 狀態(tài)。 簡單單級網(wǎng) x1 x2 xn w11 o1 o2 om 簡單單級網(wǎng)的輸入輸出 W=(wij)= w11 w21 wn1 w12 w22 wn2 w1m w2m wnm … … … 權矩陣： 輸入層第 j個神經(jīng)元的網(wǎng)絡輸入為： j =x1w1j+x2w2j+…+x nwnj (1 從而有 NET= 2 m ) , ,… O=F(NET) 多級網(wǎng) 研究表明，單級網(wǎng)的功能是有限的，適當增加網(wǎng)絡 的層數(shù)是提高網(wǎng)絡計算能力的一個途徑。 隱藏層：網(wǎng)絡輸入層與輸出層以外的層 層數(shù)：網(wǎng)絡輸入層的層號 第 j1層到第 j層的聯(lián)結(jié)矩陣稱第 j層聯(lián)結(jié)矩陣，記 W(j) 非線性激活函數(shù) 非線性激活函數(shù)在多級網(wǎng)絡中其著非常重要的作用。 空間模式與時空模式 網(wǎng)絡在某一時刻的狀態(tài)所確定模式稱為空間模式 以時間維為軸展開的空間模式系列稱為時空模式 他們?nèi)缤环嬅媾c整個電影的關系 當研究穩(wěn)定性和網(wǎng)絡訓練的收斂過程時涉及時空模式 一般情況下，只涉及空間模式 人工神經(jīng)網(wǎng)絡的訓練 人工神經(jīng)網(wǎng)絡的學習過程就是對它的訓練過程 訓練： 輸入樣本向量 將樣本集的內(nèi)涵以聯(lián)結(jié)權矩陣的方式存儲起來 使網(wǎng)絡接收輸入時，可以給出適當?shù)妮敵? 調(diào)整權矩陣 人工神經(jīng)網(wǎng)絡的無導師訓練 其訓練集中只含一些輸入向量，訓練算法致力于修 改權矩陣，以使網(wǎng)絡對一個輸入能夠給出相容的輸 出，即相似的輸入向量可以得到相似的輸出向量。為給定的學習效率。(yjbj)oi(t) 離散單輸出感知器 (MP模型 ) 設輸入： X=(x1 , x2 , … , x n) 設權向量： W=(w1, w2, …, w n) 訓練樣本： [（ X,Y） |X為輸入向量， Y為與 X對應的輸 ] x1 x2 xn w1 w2 wn o=f() (解躍函數(shù) ) 離散單輸出感知器 (MP模型 )訓練算法 初始化權向量 W。 、 d=0； 、 for 每個樣本 (X,Y) do； 、輸入 X 設置精度控制參數(shù) ,學習率 、精度控制變量 d=1+ while d= do 、求 O=F(XW) 、修改權矩陣 W for i=1 to n, j=1 to m do
教學課件相關推薦
鄂ICP備17016276號-1