常見神經(jīng)網(wǎng)絡(luò)模型ppt課件-文庫吧在線文庫
【正文】 1,1） x1 x2 （ 0,0） （ 0,1） （ 1,0） （ 1,1） 14 二、 BP網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 1986年， Rumelhart提出了一種利用誤差反向傳播（ Back Propagation ） 訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，簡稱 BP網(wǎng)絡(luò)，是一種多層前向網(wǎng)絡(luò)，其特征為： 由輸入層、隱含層、輸出層組成； 同層節(jié)點之間沒有互連； 每層節(jié)點的輸出只影響下層節(jié)點； 激勵函數(shù)多為 S型。 常見神經(jīng)網(wǎng)絡(luò)模型 一、感知器 8 常見神經(jīng)網(wǎng)絡(luò)模型 一、感知器 感知器的學(xué)習(xí)算法： 初始化：置權(quán)系數(shù) w為最小的隨機數(shù)； 訓(xùn)練：輸入一樣本 x＝ (x1， x2， … ， xn)以及它的期望輸出 y*； 計算實際輸出： ； 計算誤差： ； 修改權(quán)系數(shù)和閾值 ； 轉(zhuǎn) 2，直到誤差滿足要求。 當(dāng) x分類為 A類時，期望值 y＝ 1； X為 B類時， y=0。 其分類條件是樣本是線性可分的。 分割后的數(shù)字圖像 ： 原始圖像 ： 20 二、 BP網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 車牌數(shù)字識別 BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，輸入層、隱含層、輸出層神經(jīng)元個數(shù)分別為 1 2 10。所輸出的離散值 1和 0分別表示神經(jīng)元處于激活和抑制狀態(tài)。在圖中，立方體的每一個頂角表示一種網(wǎng)絡(luò)狀態(tài)。 DHNN網(wǎng)絡(luò)的能量極小狀態(tài)又稱為能量井，為信息的存儲記憶提供了基礎(chǔ)。 在實際應(yīng)用中，任何一個系統(tǒng)，如果其優(yōu)化問題可以用能量函數(shù) E(t)作為目標(biāo)函數(shù)，那么，總可以用連續(xù) Hopfield網(wǎng)絡(luò)對其進(jìn)行求解。 31 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 舉例：設(shè)計一個具有兩個能量井 [1， 1]和 [1， 1]的Hopfield網(wǎng)絡(luò)。 給定一個初始狀態(tài)，則 DHNN網(wǎng)絡(luò)的狀態(tài)總是沿著能量減小的方向變化，最終收斂到穩(wěn)定狀態(tài)。 穩(wěn)定狀態(tài) ： 神經(jīng)網(wǎng)絡(luò)從任一初態(tài) Y(0)開始運動，并存在某一有限時刻 ts， 從 ts以后神經(jīng)網(wǎng)絡(luò)的狀態(tài)不再發(fā)生變化，則稱網(wǎng)絡(luò)是穩(wěn)定的。 Hopfield反饋神經(jīng)網(wǎng)絡(luò)由于其輸出端有反饋到其輸入端，所以， Hopfield網(wǎng)絡(luò)在輸入的激勵下，會產(chǎn)生不斷的狀態(tài)變化。 2．誤差信號反向傳播 在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。當(dāng)學(xué)習(xí)結(jié)束時，也即神經(jīng)網(wǎng)絡(luò)能正確分類時，顯然權(quán)系數(shù)就反映了同類輸人模式樣本的共同特征。1 智能控制技術(shù) 中國計量學(xué)院自動化
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1