神經(jīng)網(wǎng)絡pappt課件-資料下載頁
2025-01-05 15:31本頁面
【正文】 網(wǎng)絡 ?自組織特征映射網(wǎng)絡可以較好地完成 聚類任務 ，其中每一個神經(jīng)元結點對應一個聚類中心。 ?與普通聚類算法不同， 類別間相似性大的類別在自組織特征映射網(wǎng)絡結點平面上距離也較近 。 ?可以 根據(jù)各個類別在平面上的相對位置進行類別的合并和類別之間關系的分析 。 自組織特征映射網(wǎng)絡 ? 自組織映射分析（ SOMA）：將樣本集（原像）映射到自組織網(wǎng)絡網(wǎng)絡的神經(jīng)元平面上（像），統(tǒng)計各個結點的原像數(shù)目（像密度），將像密度較高且較集中的結點對應的樣本識別為一類。這種方法不僅無需事先確定類別數(shù)，而且能夠更好地適應樣本不同的分布情況。 自組織映射像密度圖 神經(jīng)網(wǎng)絡 ? 引言：人工智能聯(lián)結主義的學說 ? 人工神經(jīng)網(wǎng)絡的發(fā)展 ? 人工神經(jīng)網(wǎng)絡的基本概念 ? 感知器模型 ? BP網(wǎng)絡和 BP算法 ? 徑向基函數(shù)網(wǎng)絡和學習算法 ? 競爭學習和側抑制 ? 自組織特征映射網(wǎng)絡 ? Hopfield神經(jīng)網(wǎng)絡 Hopfield神經(jīng)網(wǎng)絡 ? Hopfield網(wǎng)絡： 是神經(jīng)網(wǎng)絡發(fā)展歷史上的一個重要的里程碑。由美國加州理工學院物理學家 J. J. Hopfield教授于 1982年提出，是一種 單層反饋神經(jīng)網(wǎng)絡 。 ?Hopfield利用 非線性動力學系統(tǒng)理論 中的 能量函數(shù) 方法研究 Hopfield 神經(jīng)網(wǎng)絡的穩(wěn)定性，并建立了求解優(yōu)化計算問題的方程。 Hopfield神經(jīng)網(wǎng)絡 ?1984年， Hopfield設計并研制了網(wǎng)絡模型的電路，并成功地解決了經(jīng)典的組合優(yōu)化問題旅行商問題 (Traveling Salesmen Problem，TSP) 。 ?Hopfield網(wǎng)絡在 聯(lián)想存取 及 優(yōu)化計算 等領域得到了成功的應用，拓寬了神經(jīng)網(wǎng)絡的應用范圍 Hopfield神經(jīng)網(wǎng)絡 ? Hopfield神經(jīng)網(wǎng)絡是特殊的反饋網(wǎng)絡，除了滿足反饋網(wǎng)絡的性質外，還滿足： ? 全連接網(wǎng)絡： 即網(wǎng)絡中任意兩個 不相同的 單元之間都有連線 ? 權值對稱： 而且這種連接是 對稱的 ,即 wij=wji。 ? 無自反饋： wii=0。 ?由于滿足對稱條件， Hopfield神經(jīng)網(wǎng)絡是穩(wěn)定的，只有孤立吸引子 Hopfield神經(jīng)網(wǎng)絡 ? Hopfield網(wǎng)絡模型表示 Hopfield神經(jīng)網(wǎng)絡 ? Hopfield網(wǎng)絡是 單層對稱全反饋網(wǎng)絡 ，根據(jù)輸出函數(shù)選取的不同，可分為 離散型 (DHNN) 和 連續(xù)型(CHNN)兩種 ? DHNN (Discrete Hopfield Neural Network) ： 輸出函數(shù)為符號函數(shù)（階躍函數(shù)），主要用于聯(lián)想記憶。 ? CHNN (Continues Hopfield Neural Network) ：輸出函數(shù)為 S型函數(shù)，主要用于優(yōu)化計算。 Hopfield神經(jīng)網(wǎng)絡 ?Hopfield網(wǎng)已成功地用于多個領域，應用方式主要有兩種： ? 聯(lián)想存取 ? 優(yōu)化計算 聯(lián)想存儲器 ? 人腦中則是由內容聯(lián)想起其他內容，此種方式的存儲器稱為 聯(lián)想存儲器 。又稱 內容尋址存儲器 。 ? Hopfield神經(jīng)網(wǎng)絡的孤立吸引子可以用作聯(lián)想存儲器。吸引域的存在，意味著可以輸入有噪聲干擾的的、殘缺的或是部分的信息而聯(lián)想出完整的信息。 ? 為此，需要 正確地設置權值矩陣 ，使得吸引子恰好對應于要存儲的信息。 ? 通常，計算機中的存儲器都是用地址進行訪問的，而在 優(yōu)化計算 ?Hopfield網(wǎng)絡作優(yōu)化計算的基本原理： ? Hopfield神經(jīng)網(wǎng)絡的能量函數(shù)表征網(wǎng)絡狀態(tài)的變化趨勢，并可以依據(jù) Hopfield工作運行規(guī)則不斷進行狀態(tài)變化，最終能夠達到的某個極小值的目標函數(shù)。 網(wǎng)絡收斂就是指能量函數(shù)達到極小值 。 ? 如果把一個 最優(yōu)化問題的目標函數(shù)轉換成網(wǎng)絡的能量函數(shù) ，把 問題的變量對應于網(wǎng)絡的狀態(tài) ，那么 Hopfield神經(jīng)網(wǎng)絡就能夠用于解決優(yōu)化組合問題，如 TSP問題（ 1985年） 。
教學課件相關推薦
鄂ICP備17016276號-1