20xx年醫(yī)學(xué)專題—第八篇變形預(yù)報人工神經(jīng)網(wǎng)絡(luò)法-預(yù)覽頁
【正文】 。主要表現(xiàn)在神經(jīng)網(wǎng)絡(luò)中某個神經(jīng)元的損壞，或某兩個神經(jīng)元之間的連接損壞，或某個神經(jīng)元的輸入有偏差時，網(wǎng)絡(luò)的性能沒有明顯改變。)變性分析與預(yù)報及安全性評價、環(huán)境評價等問題。ng),人工神經(jīng)網(wǎng)絡(luò)依照其結(jié)構(gòu)、狀態(tài)和學(xué)習(xí)方式的不同，可將人工神經(jīng)網(wǎng)絡(luò)按不同方式進(jìn)行分類： （1）按網(wǎng)絡(luò)結(jié)構(gòu)可分為前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)兩大類。nzh224。,美國加州大學(xué)的Rumelhart和MeClelland以及他們的同事在探索人類知識微結(jié)構(gòu)的過程中簡明的提出一種ANN的誤差反向傳播網(wǎng)絡(luò)通常稱為BP網(wǎng)絡(luò)，對應(yīng)的算法稱為誤差反傳算法，它是當(dāng)今神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一種。8.2 BP網(wǎng)絡(luò)(wǎnglu242。圖中 表示(biǎosh236。)從隱含層結(jié)點到輸出層節(jié)點的連接權(quán)； 表示從輸入層結(jié)點到隱含層結(jié)點的連接權(quán)；在后面的討論中，小標(biāo)I、j、k分別表示輸出接點、隱含層結(jié)點和輸入結(jié)點；M、L、N分寫表示輸入結(jié)點、隱含層結(jié)點和輸入結(jié)點的數(shù)量。d236。不過輸出參數(shù)一般(yībān)都可經(jīng)過某種數(shù)學(xué)轉(zhuǎn)換或歸一化到[0,1]區(qū)間，常用BP網(wǎng)絡(luò)的激勵函數(shù)為,式中,第十一頁，共二十頁。,8.2.2 誤差反傳訓(xùn)練(x249。n fǎ)稱為誤差反傳訓(xùn)練算法(su224。ngběn)點 為,（812）,對于每一個樣本結(jié)點(ji233。 diǎn)的輸入 （817）,輸出(shūchū)層結(jié)點的輸出(shūchū) （818）,式中， ， 分別為輸出結(jié)點i和隱含(yǐn h225。,（822）,顯然，E相當(dāng)于定義在 構(gòu)成(g242。,（831）,（836）,（838）,從而對輸出(shūchū)層可直接得 （839）,上述各式構(gòu)成了BP網(wǎng)絡(luò)(wǎnglu242。,（2）將樣本的輸入/輸出參數(shù)化為至[0,1]區(qū)間 （3）提供訓(xùn)練樣本，即從訓(xùn)練樣本集合中選出一個訓(xùn)練樣本，將樣本中的自變量賦予輸入層的相應(yīng)(xiāngyīng)結(jié)點，將樣本中的因變量賦予輸出層的相應(yīng)(xiāngyīng)的結(jié)點。x237。 （2）從理論上說，可以使多層前饋網(wǎng)絡(luò)學(xué)會任何可學(xué)習(xí)的東西。 （4）由于它的數(shù)學(xué)基礎(chǔ)是非線性優(yōu)化問題，因此，存,第十八頁，共二十頁。 （7）網(wǎng)絡(luò)訓(xùn)練中參數(shù)的合理設(shè)置，如初始權(quán)重的設(shè)置問題、動量系數(shù) 和學(xué)習(xí)速率 確定的問題、從樣本集合中如何選取訓(xùn)練樣本和測試樣本等。ir243。人的大腦是自然界所造就的最高級
法律信息相關(guān)推薦
鄂ICP備17016276號-1