前饋神經(jīng)網(wǎng)絡(luò)(文件)
【正文】 = a2 = a = 0 0 ? 重復：對樣本 (0,0)，前向計算，求出所有神經(jīng)元的輸出 ? 第 (1)層： – n1=0*1+0*1=0。 ? 第 (2)層： – n=*+*=。采用基函數(shù)的加權(quán)和來實現(xiàn)對函數(shù)的逼近 ? 徑向基函數(shù)：徑向?qū)ΨQ的標量函數(shù) k(||xxc||)，最常用的 RBF是高斯核函數(shù) 2( ) ( )( ) e xp( )2Tccck ???? ? ? x x x xxx徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu) 徑向基函數(shù)網(wǎng)絡(luò)的訓練 ?三組可調(diào)參數(shù)： – 隱單元的個數(shù)，隱單元基函數(shù)中心與方差 xc, σ – 輸出層權(quán)值 wij ?估計方法： – 聚類的方法估計 xc, σ – LMS方法估計 wij CMeans算法雙層神經(jīng)網(wǎng)絡(luò)實現(xiàn) ? 采用雙層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖所示： – 輸入節(jié)點數(shù)等于輸入模式矢量的維數(shù) – 隱層計算樣本與各聚類中心的距離，其單元數(shù)等于類數(shù)(c)，節(jié)點 j與輸入節(jié)點 i的連接權(quán)值為 wij， wj代表第 j類聚類中心 – 輸出層為“ c中選 1個最大”： 輸入層 輸出層 C1 MAX NET x1 x2 xR w1 w2 wc l a r g m a x jjl ?? xwCMeans算法 1. 初始化：選擇前 c個樣本 x1, x2, …, xc初始化 w1, w2, …, wc，并建立 c個空聚類列表： K1, K2, …, Kc 2. 依次把樣本 x饋入網(wǎng)絡(luò)并計算輸出 l（即按照最小距離法則對樣本 x進行分類），把該樣本存入聚類列表 Kl中： 3. 更新權(quán)值 w1, w2, …, wc ：用各聚類列表計算聚類均值，并用來更新相應(yīng)權(quán)值（即作為各聚類新的代表點） 4. 若所有權(quán)值未發(fā)生變化，則停止。 (僅寫出對樣本 (0,1)
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1