生物神經(jīng)元ppt課件(編輯修改稿)
2025-02-04 05:11 本頁面
【文章內(nèi)容簡介】 陣，以使網(wǎng)絡(luò)對一個輸入能夠給出相容的輸 出，即相似的輸入向量可以得到相似的輸出向量。 無導(dǎo)師訓(xùn)練算法用來將訓(xùn)練樣本集合中蘊涵的統(tǒng)計 特性抽取出來，并以聯(lián)結(jié)權(quán)矩陣的方式存儲起來， 使網(wǎng)絡(luò)可以按照網(wǎng)絡(luò)向量的相似性進行分類。 無導(dǎo)師訓(xùn)練的 Hebb算法 Wij(t+1)=Wij(t)+223。oi(t)oj(t) 其中： Wij(t+1)、 Wij(t)為神經(jīng)元 i聯(lián)結(jié)到 神經(jīng)元 j的聯(lián)結(jié)在 t+1時刻和 t時刻的強度 oi(t)、 oj(t)為這兩個神經(jīng)元 t時刻的輸出， 223。為給定的學(xué)習(xí)效率。 人工神經(jīng)網(wǎng)絡(luò)的有導(dǎo)師訓(xùn)練 有導(dǎo)師訓(xùn)練在目前應(yīng)用中已經(jīng)非常成功。 有導(dǎo)師訓(xùn)練算法要求給出輸入向量的同時，還必須 給出相應(yīng)的理想輸出向量。它們構(gòu)成一個“訓(xùn)練對” [(A1,B1), (A2,B2),…, ( An,Bn)] 有導(dǎo)師訓(xùn)練算法 從樣本集中取出一個樣本 (Ai,Bi)； 計算網(wǎng)絡(luò)的實際輸出 O； 求 D=BiO； 根據(jù) D調(diào)整權(quán)矩陣 W； 對每個樣本重復(fù)上述過程，直到對整個樣本集來 說，誤差不超過規(guī)定范圍 Wij(t+1)=Wij(t)+223。(yjbj)oi(t) 離散單輸出感知器 (MP模型 ) 設(shè)輸入： X=(x1 , x2 , … , x n) 設(shè)權(quán)向量： W=(w1, w2, …, w n) 訓(xùn)練樣本： [（ X,Y） |X為輸入向量， Y為與 X對應(yīng)的輸 ] x1 x2 xn w1 w2 wn o=f() (解躍函數(shù) ) 離散單輸出感知器 (MP模型 )訓(xùn)練算法 初始化權(quán)向量 W。 重復(fù)下列過程，直到訓(xùn)練完成； 、對每一個樣本，重復(fù)下列過程： 、輸入 X； 、計算 O=F(XW)； 、如果輸出不正確，則 當(dāng) O=0時，取 W=W+X 當(dāng) O=1時，取 W=WX 離散多輸出感知器 x1 x2 xn w11 o1 o2 om 設(shè)輸入： X=(x1 , x2 , … , x n) 設(shè)理想輸出： Y=(y1 , y2 , … , y m) 設(shè)實際輸出： YO=(o1 , o2 , … , o m) 設(shè)權(quán)系數(shù)矩陣： W=(wij) 樣本集為： {(X,Y)|X為輸入向量， Y為對應(yīng)輸出向量 } 離散多輸出感知器訓(xùn)練算法 初始化權(quán)向量 W。 重復(fù)下列過程，直到訓(xùn)練完成； 、對每一個樣本，重復(fù)下列過程： 、輸入 X； 、計算 O=F(XW)； 、 for i=1 to m 執(zhí)行如下操作 if oi不等于 yi then if oi=0 then for j=1 to n wij= wij +xi else for j=1 to n wij= wij xi 連續(xù)多輸出感知器 x1 x2 xn w11 o1 o2 om 輸出函數(shù)改為非解躍函數(shù)，使它們的輸出值變成連續(xù)的， 使網(wǎng)絡(luò)更具一般性，更容易適應(yīng)實際應(yīng)用的需求，但拓?fù)?
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1