智能控制課件第4章-人工神經(jīng)網(wǎng)絡(luò)模型(完整版)
【正文】 ? 創(chuàng)建和訓(xùn)練 BP網(wǎng)絡(luò)； ? 對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真 。 ? Hopfield網(wǎng)絡(luò)的 MATLAB仿真程序設(shè)計(jì) ? 本例 MATLAB仿真程序設(shè)計(jì)的主要步驟： ? 根據(jù)數(shù)字圖片 ， 構(gòu)造標(biāo)矢量 t ； ? 創(chuàng)建和設(shè)計(jì) Hoppfield 網(wǎng)絡(luò)； ? 對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真 。 初始條件輸入后 ， 一旦網(wǎng)絡(luò)開(kāi)始運(yùn)行 ， 網(wǎng)絡(luò)的輸出會(huì)自動(dòng)反饋至輸入 ， 如此反復(fù) ， 直至網(wǎng)絡(luò)的輸出穩(wěn)定為止 ， 此時(shí) ， 每一個(gè)輸出向量最終收斂于與初始條件激勵(lì)的最接近的一個(gè)穩(wěn)定平衡點(diǎn) 。 針對(duì)標(biāo)準(zhǔn) BP算法存在的一些不足 ， 出現(xiàn)了幾種基于標(biāo)準(zhǔn) BP算法的改進(jìn)算法 ， 如變梯度算法 、 牛頓算法等 。 ? 線性神經(jīng)網(wǎng)絡(luò)的 MATLAB仿真 ? 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例 以自適應(yīng)線性網(wǎng)絡(luò)實(shí)現(xiàn)噪聲對(duì)消 。 1 0 0 1 0 0 1 0 0 1 0 0 1 0 1 1 1 1 0 1 1 0 1 1 1 1 ? 感知器的 MATLAB仿真 ? 問(wèn)題分析 從數(shù)字 1和 0的二值化圖像卡片可以看出 ，每一個(gè)圖像卡片可以分成 4?3的矩形方塊 ， 假設(shè)每個(gè)小方塊有數(shù)字的筆畫(huà)劃過(guò) （ 即在小方塊內(nèi)二值圖像元素的值至少有一個(gè)不為 0） ， 則記為1， 否則記為 0， 那么圖像卡片上所有小方塊表達(dá)了有 0、 1二值組成的一個(gè)模式 （ 或向量 ） ，可以作為感知器神經(jīng)網(wǎng)絡(luò)的輸入向量 。 其強(qiáng)大的擴(kuò)展功能為各個(gè)領(lǐng)域的應(yīng)用提供了基礎(chǔ) ， 由各領(lǐng)域的專家學(xué)者相繼推出了各種 MATLAB工具箱 。 人工神經(jīng)網(wǎng)絡(luò)（ ANN — Artificial Neural Networks）是采用可物理實(shí)現(xiàn)的系統(tǒng)來(lái)模仿人腦神經(jīng)細(xì)胞結(jié)構(gòu)和功能的系統(tǒng)。 ? 膜電位加權(quán)：突觸使神經(jīng)細(xì)胞的膜電位發(fā)生變化，且電位的變化是可以累加的，該神經(jīng)細(xì)胞膜電位是它所有突觸產(chǎn)生的電位加權(quán)，當(dāng)該神經(jīng)細(xì)胞的膜電位升高到超過(guò)一個(gè)閾值時(shí)，就會(huì)產(chǎn)生一個(gè)脈沖，從而總和的膜電位直接影響該神經(jīng)細(xì)胞興奮發(fā)放的脈沖數(shù)。 ? 生物神經(jīng)元 ? 樹(shù)突：從細(xì)胞體延伸出象樹(shù)枝一樣向四處分散開(kāi)來(lái)的的許多突起，稱之為樹(shù)突，其作用是感受其它神經(jīng)元的傳遞信號(hào)，相當(dāng)于信息的 輸入通道 。 早在 1943年，心理學(xué)家 W. McCulloch和數(shù)學(xué)家 W. Pitts合作，從數(shù)理邏輯的角度，提出了神經(jīng)元和神經(jīng)網(wǎng)絡(luò)最早的數(shù)學(xué)模型（ MP模型），標(biāo)志著神經(jīng)網(wǎng)絡(luò)研究的開(kāi)端。 ? 興奮與抑制：軸突輸出的脈沖串的頻率高與低，決定神經(jīng)細(xì)胞是興奮還是抑制。 ? 神經(jīng)元的權(quán)值和閾值是如何確定的 ？ ? 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練 。 ? 全硬件實(shí)現(xiàn)研究的核心是神經(jīng)器件的構(gòu)造 ， 其主要研究方向有： ? 電子神經(jīng)芯片的研究 ? 光學(xué)神經(jīng)芯片的研究 ?分子 /生物神經(jīng)芯片的研究 ? 虛擬實(shí)現(xiàn)主要分為以下幾類(lèi)： ? 傳統(tǒng)計(jì)算機(jī)上的軟件仿真 ? 神經(jīng)計(jì)算的多機(jī)并行實(shí)現(xiàn) ? 神經(jīng)網(wǎng)絡(luò)加速器 ? 神經(jīng)網(wǎng)絡(luò)的軟件仿真系統(tǒng) ? 基于傳統(tǒng)計(jì)算機(jī)的軟件仿真系統(tǒng) ， 通用性強(qiáng) ，為用戶研究和設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)提供了很好的開(kāi)發(fā)平臺(tái) ， 因而被迅速推廣 。 若以 t 表示目標(biāo)輸出 ， a 表示實(shí)際輸出 ， 則 ate ??? 網(wǎng)絡(luò)訓(xùn)練的目的 ， 就是要使 t ?a。 ? 一般為單層 ， 也可為多層網(wǎng)絡(luò) （ MADALINE） ? 線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) ? 線性神經(jīng)網(wǎng)絡(luò)采用均方誤差最小的學(xué)習(xí)規(guī)則 ，即 LMS（ Least Mean Squares） 算法 ， 來(lái)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值 ， 它是一種沿誤差的最陡下降方向?qū)η耙徊綑?quán)值向量進(jìn)行修正的 。 ? 傳輸函數(shù)為非線性函數(shù) ， 多為 logsig和 tansig函數(shù) ， 最后一層也可為 purelin函數(shù) 。 ? Hopfield網(wǎng)絡(luò) ? 離散 Hopfield 神經(jīng)網(wǎng)絡(luò)模型 S1? R1 a1( k 1) S1 S1? 1 1 p S1? 1 LW1 S1 對(duì)稱飽和線性層 a1( k ) n1 b1 + S1? 1 初始條件 S1? 1 D a1( 0 ) ? Hopfield神經(jīng)網(wǎng)絡(luò)特點(diǎn) ? 引入了網(wǎng)絡(luò)能量函數(shù)概念 ， 使網(wǎng)絡(luò)穩(wěn)定性研究有了明確的判據(jù)； ? 善于聯(lián)想記憶和進(jìn)行優(yōu)化計(jì)算等 。 神經(jīng)網(wǎng)絡(luò)理論研究、神經(jīng)網(wǎng)絡(luò)應(yīng)用研究和神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)技術(shù)是人工神經(jīng)網(wǎng)絡(luò)的三個(gè)研究主要方向。 網(wǎng)絡(luò)設(shè)計(jì)的目標(biāo)是：存儲(chǔ)一組特
電大資料相關(guān)推薦
鄂ICP備17016276號(hào)-1