神經(jīng)網(wǎng)絡(luò)導論第一章(存儲版)
【正文】 ,ｘ b,…} ， 比如ｘ in=ｘ i+Δ（ ｘ in為系統(tǒng)初始點），則系統(tǒng)必隨時間的演變而達到穩(wěn)定點ｘ i。只有使整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)的狀態(tài)朝穩(wěn)定狀態(tài)發(fā)展的神經(jīng)計算才是有用的，否則，將導致整個系統(tǒng)的振蕩或者隨機波動，而不能得到一個一致的結(jié)果。 SOM 模型最適合計算這類問題。 神經(jīng)計算的信息處理能力 ? 數(shù)學逼近映射 開發(fā)合適的函數(shù)，以自組織的方式響應(yīng)以下的樣本集合 :(x1,y1),(x2,y2)， … ， (xn,yn)，（ 這里 yi=f(xi)或 yi=f(xi)+N， 其中 N為噪音過程）。因此計算可以表示為一動力學系統(tǒng)中狀態(tài)空間的變 神經(jīng)計算的本質(zhì) 神經(jīng)網(wǎng)絡(luò)的計算是一種非編程的信息處理方式 。主要用于手寫體字符識別，但是常常需要極大數(shù)目的處理單元和連接，它對大小、平移、旋轉(zhuǎn)不敏感，并且能識別復雜的字符。主要用于相聯(lián)存儲。 典型的神經(jīng)網(wǎng)絡(luò)模型 ? 多個自適應(yīng)線性元模型（ MADALINE） 該類神經(jīng)網(wǎng)絡(luò)模型是具有最小方差學習功能的線性網(wǎng)絡(luò)模型。可以用于從數(shù)據(jù)庫中提取知識。 典型的神經(jīng)網(wǎng)絡(luò)模型 ? 反傳神經(jīng)網(wǎng)絡(luò)模型（ BP） 該類神經(jīng)網(wǎng)絡(luò)模型是一多層映射神經(jīng)網(wǎng)絡(luò)。ART1主要用于二值輸入， ART2和 ART3主要用于連續(xù)信號輸入。 ? 典型的學習規(guī)則 ? Hebbian學習規(guī)則 ? Delta學習規(guī)則 ? 學習的類型 ?聯(lián)想學習 ? 自聯(lián)想 ? 異聯(lián)想 ?規(guī)則發(fā)現(xiàn) 如果一個處理單元接收從另外一個處理單元來的輸入，那么當兩個單元都活躍時，它們之間的連接權(quán)值就應(yīng)該增大。 ? 輸出函數(shù)類型 硬極限函數(shù)、閾值函數(shù)、S型單調(diào)函數(shù)、恒等函數(shù) i )1( ?tai))1(()1( ??? tafto iii)1( ?toi神經(jīng)網(wǎng)絡(luò)模型的基本組成 之網(wǎng)絡(luò) ? 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) ? 連接矩陣 ? 連接模式 ? 多層、單層 ? 反饋、前饋 ???????????nnnnwwwwW?????1111神經(jīng)網(wǎng)絡(luò)模型的基本組成 之學習規(guī)則 ? 學習規(guī)則 根據(jù)環(huán)境動態(tài)修改各個處理單元之間連接權(quán)值的規(guī)則。 典型的神經(jīng)網(wǎng)絡(luò)模型 ? 自適應(yīng)諧振理論（ ART） 該模型主要包括 ART ART2和 ART3，它們可以對任意多和任意復雜的二維模式進行自組織、自穩(wěn)定和大規(guī)模并行處理。 缺點是存儲容量小而且需很好地進行編碼。 典型的神經(jīng)網(wǎng)絡(luò)模型 ? 盒中腦狀態(tài)模型（ BSB ） 該類神經(jīng)網(wǎng)絡(luò)模型是具有最小均方差的單層自聯(lián)想網(wǎng)絡(luò)模型。 缺點是處理單元間連接權(quán)值需預(yù)先設(shè)置，并且單元之間的連接是要對稱的，它沒有學習能力。 典型的神經(jīng)網(wǎng)絡(luò)模型 ? 學習矩陣模型（ LRN） 該類神經(jīng)網(wǎng)絡(luò)模型是一種單層單向非遞歸的相聯(lián)存儲器模型。 典型的神經(jīng)網(wǎng)絡(luò)模型 ? 神經(jīng)認知機（ Necognitron） 該類神經(jīng)網(wǎng)絡(luò)模型是一多層結(jié)
教學課件相關(guān)推薦
鄂ICP備17016276號-1