我的人工神經(jīng)網(wǎng)絡(luò)-2基礎(chǔ)-預(yù)覽頁
【正文】 相對應(yīng) ? 抽取樣本集合中蘊含的統(tǒng)計特性 ， 并以神經(jīng)元之間的聯(lián)接權(quán)的形式存于網(wǎng)絡(luò)中 。 ? 輸入向量與其對應(yīng)的輸出向量構(gòu)成一個 “ 學(xué)習(xí)對 ” 。 閾值邏輯單元（ Threshold Logic Unit， TLU） ? 用符號標(biāo)注這些功能： 輸入值： X1, X2, ..., Xn 權(quán)系數(shù)： W1, W2, ..., Wn 激發(fā)層 a： 求和計算出的 Xi*Wi ，即： a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn) 閾值邏輯單元（ Threshold Logic Unit， TLU） ? 閾值： theta ? 輸出結(jié)果： y 當(dāng) a =theta 時 y=1，反之 y=0。 slnn = new SingleLayerNeuralNetworks(nn, sets)。 = true。 AND計算的總體運行過程 ? 閾值邏輯單元，帶有 sigma 函數(shù)（頂部）和 cutoff 函數(shù)（底部） 激活函數(shù) (Activation Function) ? 激活函數(shù) —— 執(zhí)行對該神經(jīng)元所獲得的網(wǎng)絡(luò)輸入的變換 ， 也可以稱為激勵函數(shù) 、活化函數(shù)： o=f（ ） ? 線性函數(shù)（ Liner Function） f（ ） =k*+c o o c 非線性斜面函數(shù) (Ramp Function) γ if ≥θ f（ ） = k* if ||θ γ if ≤θ ? γ0為一常數(shù)，被稱為飽和值，為該神經(jīng)元的最大輸出。 最簡單形式為： f（ ） = 1/(1+exp(d*)) 函數(shù)的飽和值為 0和 1。 但要求取值都在 0， 1之間 。本例中，隱含層取 1，輸入結(jié)點數(shù)為 2，分別代表觸角與翼長；中間隱含層的結(jié)點數(shù)取 3個就夠了。 輸入信號為 ， Af樣品的輸出是（ 1， 0）； Apf的輸出是（ 0， 1）學(xué)習(xí) ,檢驗 ,預(yù)測 ? 結(jié)構(gòu) McCullochPitts輸出 函數(shù)定義為： McCullochPitts神經(jīng)元 Input signal Synaptic weights Summing function Activation function Output y x1 x2 xn w2 wn w1 ? ?? )(?fθ ?????????? ??0x0,0x1,s g n ( x )其中，)θxws g n (θ)f ( zyn1iii總結(jié) MP模型 總結(jié) ? 介紹了神經(jīng)網(wǎng)絡(luò)的簡單最最基本的原理和實例原
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1