人工智能(神經(jīng)網(wǎng)絡(luò))45-文庫(kù)吧在線文庫(kù)
【正文】 。 神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性 4. 人工神經(jīng)網(wǎng)絡(luò)的分類及其主要特征 ? 分類 ? 按性能分：連續(xù)型和離散型網(wǎng)絡(luò) ， 或確定型和隨機(jī)型網(wǎng)絡(luò) 。 （ 5）是一個(gè)大規(guī)模自組織、自適應(yīng)的非線性動(dòng)力系統(tǒng)。 感知器模型及其學(xué)習(xí)算法 （ 3） “非 ”運(yùn)算 （ ～ X1） 令 ω 1 =1， ω 2=O， θ =， 則 y=f((1)x1+1x2+)) 顯然 ， 無論 x2為何值 ， x1為 1時(shí) ， y的值都為 0； x1為 O時(shí) ， y的值為 1。 ? 在多層感知器模型中，只允許某一層的連接權(quán)值可調(diào)，這是因?yàn)闊o法知道網(wǎng)絡(luò)隱層的神經(jīng)元的理想輸出，因而難以給出一個(gè)有效的多層感知器學(xué)習(xí)算法。 ? 正向傳播用于對(duì)前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對(duì)某一輸入信息，經(jīng)過網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果。 反向傳播模型及其學(xué)習(xí)算法 在以上的學(xué)習(xí)過程中 ， 第 （ 5） 步是最重要的 ， 如何確定一種調(diào)整連接權(quán)值的原則 ， 使誤差沿著減小的方向發(fā)展 ， 是 BP學(xué)習(xí)算法必須解決的問題 。圖 網(wǎng)絡(luò)圖 。 （ 2）并行方式，是指在任一時(shí)刻 t，都有部分或全體神經(jīng)元同時(shí)改變狀態(tài)。 () 其中 ， yi(t)為節(jié)點(diǎn) I在 t時(shí)刻的輸出 ， 當(dāng) t=0時(shí) ， yi(0)就是節(jié)點(diǎn) I的初始值 ， xi為輸入樣本的第 I個(gè)分量 。若想更深入地了解 ， 請(qǐng)參閱人工 神經(jīng)網(wǎng)絡(luò)相關(guān)的專著或教材 。 這時(shí)各節(jié)點(diǎn)的輸出與輸入樣例達(dá)到最佳匹配 。 Hopfield網(wǎng)絡(luò)是一種非線性的動(dòng)力網(wǎng)絡(luò)，可通過反復(fù)的網(wǎng)絡(luò)動(dòng)態(tài)迭代來求解問題，這是符號(hào)邏輯方法所不具有的特性。 )t(X)tt(X ???0t ?? Hopfield模型及其學(xué)習(xí)算法 離散網(wǎng)絡(luò)模型是一個(gè)離散時(shí)間系統(tǒng) ， 每個(gè)神經(jīng)元只有兩個(gè)狀態(tài) ， 可以用 1和 0來表示 ， 由連接權(quán)值Ｗ ij所構(gòu)成的矩陣是一個(gè)對(duì)角線為 0的對(duì)稱矩陣 ， 即 ??? ??? ji0 jiWW jiij 若 若 (） 如果用 x(t)表示整個(gè)網(wǎng)絡(luò)在時(shí)刻ｔ的狀態(tài)，則 X是一個(gè)向量，它包含了網(wǎng)絡(luò)中每個(gè)人工神經(jīng)元的狀態(tài)。當(dāng)出現(xiàn)局部極小時(shí)，從表面上看，誤差符合要求，但這時(shí)所得到的解并不一定是問題的真正解。 （ 3） 分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出 。 之所以將其稱作為反向?qū)W習(xí)算法，是因?yàn)樵谛薷母魅斯ど窠?jīng)元的連接權(quán)值時(shí)，所依據(jù)的是該網(wǎng)絡(luò)的實(shí)際輸出與其期望的輸出之差，將這一差值反向一層一層的向回傳播，來決定連接權(quán)值的修改。 對(duì)于比較復(fù)雜的多輸入變量函數(shù)來說 ， 到底有多少是線性可分的 ？ 多少是線性不可分的呢 ？相關(guān) 研究表明 ， 線性不可分函數(shù)的數(shù)量隨著輸入變量個(gè)數(shù)的增加而快速增加 ， 甚至遠(yuǎn)遠(yuǎn)超過了線性可分函數(shù)的個(gè)數(shù) 。 ? 為簡(jiǎn)單起見，僅考慮只有一個(gè)輸出的簡(jiǎn)單情況。 神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性 ? 人工神經(jīng)網(wǎng)絡(luò)具有以下主要特征： （ 1）能較好的模擬人的形象思維。常見的連接模型有 : ? 前向網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性 (a)閾值型 (b)分段線性型 (c) Sigmoid函數(shù)型 (d)雙曲正切型 圖 常用的激發(fā)函數(shù) ??? ???1n0iiixw＝這里， 激發(fā)函數(shù)一般具有非線性特性 ,常用的非線性激發(fā)函數(shù)如圖所示 稱為激活值 神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性 ? 閾值型函數(shù)又稱 階躍函數(shù)，它表示激活值 σ 和其輸出 f(σ )之間的關(guān)系。 人工神經(jīng)網(wǎng)絡(luò)的組成與結(jié)構(gòu)
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1