智能控制系統(tǒng)-神經(jīng)網(wǎng)絡(luò)-展示頁
2025-01-15 05:19本頁面
【正文】 在教師，網(wǎng)絡(luò)根據(jù)外部數(shù)據(jù)的統(tǒng)計(jì)規(guī)律來調(diào)節(jié)系統(tǒng)參數(shù)，以使網(wǎng)絡(luò)輸出能反映數(shù)據(jù)的某種特性 再勵(lì)學(xué)習(xí) ：外部環(huán)境對網(wǎng)絡(luò)輸出只給出評價(jià)信息而非正確答案，網(wǎng)絡(luò)通過強(qiáng)化受獎(jiǎng)勵(lì)的動(dòng)作來改善自身的性能 神經(jīng)網(wǎng)絡(luò) 環(huán)境 輸入 神經(jīng)網(wǎng)絡(luò) 環(huán)境 輸入 輸出 評價(jià)信息 學(xué)習(xí)規(guī)則 (learning rule)： Hebb學(xué)習(xí)算法 誤差糾正學(xué)習(xí)算法 概率式學(xué)習(xí) 競爭學(xué)習(xí)算法 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 Hebb學(xué)習(xí) Hebb學(xué)習(xí)規(guī)則：無教師學(xué)習(xí)方法 ? Hebb學(xué)習(xí)規(guī)則的物理解釋：兩個(gè)神經(jīng)元同時(shí)處于激發(fā)狀態(tài)時(shí)，相應(yīng)的權(quán)值得到加強(qiáng)。 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)類型 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)類型 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 從環(huán)境中獲取知識(shí)并改進(jìn)自身性能，主要指調(diào)節(jié)網(wǎng)絡(luò)參數(shù)使網(wǎng)絡(luò)達(dá)到某種度量，又稱為 網(wǎng)絡(luò)的訓(xùn)練 學(xué)習(xí)方式 ： 監(jiān)督學(xué)習(xí) 非監(jiān)督學(xué)習(xí) 再勵(lì)學(xué)習(xí) (強(qiáng)化學(xué)習(xí)） 監(jiān)督學(xué)習(xí) 對 訓(xùn)練樣本集 中的每一組輸入能提供一組目標(biāo)輸出。 反饋型網(wǎng)絡(luò)是反饋動(dòng)力學(xué)系統(tǒng)，需要工作一段時(shí)間后才能達(dá)到穩(wěn)定。 從計(jì)算觀點(diǎn)，缺乏豐富的動(dòng)力學(xué)行為 ⑵ 有反饋的前向網(wǎng)絡(luò)：典型的網(wǎng)絡(luò)有 Hopfield神經(jīng)網(wǎng)絡(luò) 特點(diǎn)： 若總節(jié)點(diǎn) (神經(jīng)元 )數(shù)為 N，則每個(gè)節(jié)點(diǎn)有 N個(gè)輸入和一個(gè)輸出。 特點(diǎn)： 前向網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，結(jié)構(gòu)簡單，易于編程。 第五章 神經(jīng)網(wǎng)絡(luò)控制 前向網(wǎng)絡(luò)及其算法 神經(jīng)網(wǎng)絡(luò)的基本原理及結(jié)構(gòu) 反饋網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)控制 神經(jīng)網(wǎng)絡(luò)的基本原理和結(jié)構(gòu) 神經(jīng)元是由細(xì)胞體、樹突和軸突組成 圖 生物神經(jīng)元模型 神經(jīng)細(xì)胞的結(jié)構(gòu)與功能 1 神經(jīng)網(wǎng)絡(luò)的基本模型 人工神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)元的一種模擬和簡化，是神經(jīng)網(wǎng)絡(luò)的基本處理單元。 人工神經(jīng)元模型 2 神經(jīng)元輸出特性函數(shù)常選用的類型有： ⑴ 前向網(wǎng)絡(luò) ；⑵有反饋的前向網(wǎng)絡(luò) ；⑶層內(nèi)有互聯(lián)的前向 網(wǎng)絡(luò) ；⑷互聯(lián)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)類型 3 1）前向網(wǎng)絡(luò) :典型的網(wǎng)絡(luò)有：感知器網(wǎng)絡(luò)、 BP網(wǎng)絡(luò)等。 前饋網(wǎng)絡(luò)是靜態(tài)非線性映射，通過簡單非線性處理單元的復(fù)合映射，可獲得復(fù)雜的非線性處理能力。每個(gè)節(jié)點(diǎn)都是一樣，互相連接。 Hopfield神經(jīng)網(wǎng)絡(luò)是反饋型網(wǎng)絡(luò)中最簡單應(yīng)用最廣的模型，具有聯(lián)想記憶功能。 網(wǎng)絡(luò)根據(jù)目標(biāo)輸出與實(shí)際輸出的誤差信號(hào)來調(diào)節(jié)網(wǎng)絡(luò)參數(shù)。 14 誤差糾正學(xué)習(xí)（ δ學(xué)習(xí)規(guī)則） 對于 輸出層 第 k個(gè)神經(jīng)元的 實(shí)際輸出 : ak(n) 目標(biāo)輸出 : tk(n) 誤差信號(hào) : ek(n) = tk(n) ak(n) 目標(biāo)函數(shù) 為基于 誤差信號(hào) ek(n)的函數(shù)，如 誤差平方和 判據(jù) (sum squared error, SSE)，或 均方誤差 判據(jù) (mean squared error, MSE) 211 ( ) ( ) ( )22TkkJ E e n E n n?? ?????? ???????ee211( ) ( ) ( ) ( )22TkkJ n e n n n??? ee 誤差糾正學(xué)習(xí) 用 梯度下降法 求解 k J?? ? ? ?w?對于感知器和線性網(wǎng)絡(luò)： T???W e pk j k jw e p???delta學(xué)習(xí)規(guī)則 ?對于多層感知器網(wǎng)絡(luò)：擴(kuò)展的 delta學(xué)習(xí)規(guī)則， bp算法 wkj nk ak Pj 概率式學(xué)習(xí) 學(xué)習(xí)規(guī)則： 競爭學(xué)習(xí) 輸出神經(jīng)元之間有側(cè)向抑制性連接，較強(qiáng)單元獲勝并抑制其他單元，獨(dú)處激活狀態(tài)。 圖中結(jié)點(diǎn)為神經(jīng)元（ PE）：多輸入單輸出，輸出饋送多個(gè)其他結(jié)點(diǎn)。 可見層： 輸入層 (input layer)和 輸出層 (output lay
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1