人工神經(jīng)網(wǎng)絡(luò)建模artificialneuronnets(2)(編輯修改稿)
2025-01-31 04:52 本頁面
【文章內(nèi)容簡介】 . . . . .,1)),(()(),()(),()(,1)),(()(),()(),()(1101112221212211111011LLLNjLLLLNjNjNiiufiaijajiwiuNiiufiaijajiwiuNiiufiaijajiwiuL???（ 7） ? 其中表示第 k層第 i個(gè)元的閾值 . （ 9） ???PppEE1????LNipLpp iaitE12)()( ))()((21? 定理 2 對(duì)于具有多個(gè)隱層的前饋神經(jīng)網(wǎng)絡(luò)；設(shè)激發(fā)函數(shù)為 S函數(shù)；且指標(biāo)函數(shù)取 （ 8） （ 10） ? 則每個(gè)訓(xùn)練循環(huán)中按梯度下降時(shí)；其權(quán)重迭代公式為 ),(),(),( )( 1)()1()( jajiwjiw plplplpl ?? ?? ??,...,1 Ll ?表示第 1層第個(gè)元對(duì)第層第個(gè)元輸入的第次迭代時(shí)的權(quán)重 ),()( jiw pl其中 ))(())()(()( )(39。)()()( iufiaiti pLpLppL ???（ 12） （ 11） ???????11)1(1)(1)(39。)( ),()())(()(lNjplplplpl ijwjiufi ??.11 ??? LlBP算法 ? Step1 ? 選定學(xué)習(xí)的數(shù)據(jù) ,p=1,… ,P, 隨機(jī)確定初始權(quán)矩陣 W（ 0） ? Step2 ? 用 （ 10） 式反向修正 ,直到用完所有學(xué)習(xí)數(shù)據(jù) . 用學(xué)習(xí)數(shù)據(jù)計(jì)算網(wǎng)絡(luò)輸出 ? Step3 ),(),(),( )( 1)()1()( jajiwjiw plplplpl ?? ?? ??,...,1 Ll ?? 五．應(yīng)用之例：蚊子的分類 ? 已知的兩類蚊子的數(shù)據(jù)如表 1： ? 翼長 觸角長 類別 ? Apf ? Apf ? Apf ? Af ? Apf ? Apf ? Apf ? Af 目標(biāo)值 ? 翼長 觸角長 類別 ? Af ? Af ? Af ? Af ? Af ? Af ? Af 目標(biāo) t ? 輸入數(shù)據(jù)有 15個(gè) ， 即 , p=1,… ,15。 j=1, 2。 對(duì)應(yīng) 15個(gè)輸出 。 ? 建模： （ 輸入層 ， 中間層 ， 輸出層 ， 每層的元素應(yīng)取多少個(gè) ？ ） ? 建立神經(jīng)網(wǎng)絡(luò) ? 規(guī)定目標(biāo)為： 當(dāng) t(1)= 時(shí)表示屬于 Apf類 ，t(2)= Af類 。 ? 設(shè)兩個(gè)權(quán)重系數(shù)矩陣為： ???????)3,2()2,2()1,2()3,1()2,1()1,1(1111111W? ?)3,1()2,1()1,1( 2222 W ?? 其中 )()3,( jjwii ??（分析如下： 為第一層的輸出 ， 同時(shí)作為第二層的輸入 。 為閾值 )2()2()2,2()1()1,2()2()1()2()2,1()1()1,1()1(101011101011????????awawuawawu))1(()1( 11 ufa ? ))2(()2(11 ufa ?? 其中， 為閾值， 為激勵(lì)函數(shù) 1)3(0 ??a若令 （閾值作為固定輸入神經(jīng)元相應(yīng)的權(quán)系數(shù)） 則有： （作為一固定輸入） i? fjjw ??)3,(1 2,1?j? 取激勵(lì)函數(shù)為 ????????????3101010101131010101011)(),2()3()3,2()2()2,2()1()1,2()2()(),1()3()3,1()2()2,1()1()1,1()1(jjjajwawawawujajwawawawuxexf ??? 11)(? 則 ))(()( 11 iufia ?= ?則 ? 同樣，取 ))(e x p (111 iu??2,1?i,1)3(1 ??a ??)3,1(2w))1(e x p (11)1()(),1()
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1