生物神經(jīng)元ppt課件-文庫(kù)吧資料
2025-01-14 05:11本頁(yè)面
【正文】 運(yùn)算是計(jì)算機(jī)領(lǐng)域最基本的運(yùn)算： g(x,y) 運(yùn)算對(duì)象 y 運(yùn)算對(duì)象 x 0 1 0 0 0 1 1 1 異或運(yùn)算的真值表 1 o 1 y w1x+w2y= 0 if x=y “異或”運(yùn)算的定義： g(x,y)= 即 g(x,y)=xy xy 1 其他 感知器無(wú)法實(shí)現(xiàn)“異或”運(yùn)算 如果要實(shí)現(xiàn)“異或”運(yùn)算則 w1+w2 =0 0+0 =0 W1+0 0 0+w2 0 顯然，上述方程無(wú)解 線性不可分問題的克服 增加網(wǎng)絡(luò)的層數(shù)可以解決感知器線性不可分的問題 多層網(wǎng)絡(luò)權(quán)重確定的難題 理想輸出與實(shí)際輸出之差被直接用來估計(jì)直接達(dá)到該 神經(jīng)元的聯(lián)結(jié)的權(quán)重的誤差。 重復(fù)下列過程，直到訓(xùn)練完成； 、對(duì)每一個(gè)樣本，重復(fù)下列過程： 、輸入 X； 、計(jì)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(shí)際應(yīng)用的需求，但拓?fù)? 結(jié)構(gòu)仍然不變。(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(duì)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。 有導(dǎo)師訓(xùn)練算法要求給出輸入向量的同時(shí)，還必須 給出相應(yīng)的理想輸出向量。為給定的學(xué)習(xí)效率。 無(wú)導(dǎo)師訓(xùn)練的 Hebb算法 Wij(t+1)=Wij(t)+223。 空間模式與時(shí)空模式 網(wǎng)絡(luò)在某一時(shí)刻的狀態(tài)所確定模式稱為空間模式 以時(shí)間維為軸展開的空間模式系列稱為時(shí)空模式 他們?nèi)缤环嬅媾c整個(gè)電影的關(guān)系 當(dāng)研究穩(wěn)定性和網(wǎng)絡(luò)訓(xùn)練的收斂過程時(shí)涉及時(shí)空模式 一般情況下，只涉及空間模式 人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是對(duì)它的訓(xùn)練過程 訓(xùn)練： 輸入樣本向量 將樣本集的內(nèi)涵以聯(lián)結(jié)權(quán)矩陣的方式存儲(chǔ)起來 使網(wǎng)絡(luò)接收輸入時(shí)，可以給出適當(dāng)?shù)妮敵? 調(diào)整權(quán)矩陣 人工神經(jīng)網(wǎng)絡(luò)的無(wú)導(dǎo)師訓(xùn)練
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1