神經(jīng)網(wǎng)絡(luò)模式識別法介紹-wenkub
2023-01-26 14:43:44 本頁面
【正文】 的神經(jīng) 元同時(shí)處于興奮狀態(tài)，那么這兩個(gè)神經(jīng)元之間的連接強(qiáng)度應(yīng) 該加強(qiáng)。 抑制狀態(tài)的神經(jīng)元 由樹突和細(xì)胞體 接收傳來的興奮電位 不應(yīng)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(jìn)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(luò) 人工神經(jīng)元：生物神經(jīng)元的簡化模擬。 第四個(gè)階段： 1987年至今，趨于平穩(wěn)。 第二階段：低潮期，始于 1969年。 優(yōu)點(diǎn)： (1) 較強(qiáng)的容錯(cuò)性 。第 8章 人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況 神經(jīng)網(wǎng)絡(luò)基本概念 前饋神經(jīng)網(wǎng)絡(luò) 反饋網(wǎng)絡(luò)模型 Hopfield網(wǎng)絡(luò) 第 8章 神經(jīng)網(wǎng)絡(luò)模式識別法 人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況 人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Networks， ANN)： 簡稱神經(jīng)網(wǎng)絡(luò)。 (2) 很強(qiáng)的自適應(yīng)學(xué)習(xí)能力； (3) 可將識別和若干預(yù)處理融為一體進(jìn)行； (4) 并行工作方式； (5) 對信息采用分布式記憶，具有魯棒性。 《感知器》 (Perceptions)一書出版，指出局限性 。 回顧性綜述文章 “神經(jīng)網(wǎng)絡(luò)與人工智能 ” 。 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(quán)值：兩個(gè)互連的神經(jīng)元之間相互作用的強(qiáng)弱。 神經(jīng)網(wǎng)絡(luò)的最重要特征之一。 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)體現(xiàn)在： η：學(xué)習(xí)因子； 權(quán)值變化； 網(wǎng)絡(luò)結(jié)構(gòu)變化。 x 1 x 2 x n … y M y 1 … … … 感知器結(jié)構(gòu)示意圖 * 雙層（輸入層、輸出層）； * 兩層單元之間為全互連； * 連接權(quán)值可調(diào)。 令 。 算法描述 第一步：設(shè)置初始權(quán)值 wij(1)， w(n+1)j(1)為第 j個(gè)神經(jīng)元的閾值。 kjjjjkydkk XWW )]([)()1( ???? ?dj：第 j個(gè)神經(jīng)元的期望輸出。 BP網(wǎng)絡(luò) BP網(wǎng)絡(luò)：采用 BP算法（ BackPropagation Training Algorithm） 的多層感知器。 2． BP算法 兩個(gè) 階段 正向傳播階段：逐層狀態(tài)更新 反向傳播階段：誤差 BP算法的學(xué)習(xí)過程 設(shè)：某層任一神經(jīng)元 j的 輸入為 j，輸出為 yj； 相鄰低一層中任一 神經(jīng)元 i的輸出為 yi。 ??jjjkk yw )(kk fy ? 對輸入模式 Xp，若輸出層中第 k個(gè)神經(jīng)元的期望輸出為 dpk，實(shí)際輸出為 ypk。 ????????jjjd ??XX,1,1Mj ,2,1 ??第三步：依次計(jì)算每層神經(jīng)元的實(shí)際輸出，直到輸出層。 BP算法存在問題： * 存在局部極小值問題； * 算法收斂速度慢； * 隱層單元數(shù)目的選取無一般指導(dǎo)原則； * 新加入的學(xué)習(xí)樣本影響已學(xué)完樣本的學(xué)習(xí)結(jié)果。 競爭層： 競爭學(xué)習(xí) 網(wǎng)絡(luò)的核心 側(cè)抑制： 加強(qiáng)自身 * 具有最高輸入總和的單元的輸出狀態(tài)為 1，其他單 元為 0。 輸入樣本與典 型樣本越相似： 漢明距離越小，匹配度越大。 f ( α ) α 0 1 匹配網(wǎng)輸出函數(shù) f(?)： 漢明網(wǎng)算法步驟： 第一步：設(shè)置權(quán)值和神經(jīng)元閾值。 )(1jniiijj xwfs ??? ??Mj ??1 jj sy ?)0( j ??1第三步，進(jìn)行迭代運(yùn)算直到收斂。 T. Kohonen關(guān)于自組織特征映射的含義： x1 x2 x n … … 輸入層：每個(gè)神經(jīng)元與輸出層所有神經(jīng)元連接。 自組織特征映射算法步驟： 第一步：設(shè)置初始權(quán)值，定義輸出層神經(jīng)元的鄰域。 第四步：選擇與輸入模式距離最小的輸出層神經(jīng)元 j*。 聚類中心：存儲在與神經(jīng)元 j*連接的權(quán)值上。 初始輸出模式向量 單層全互連、權(quán)值對稱的神經(jīng)網(wǎng)絡(luò)。 設(shè)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1