生物神經(jīng)元ppt課件-展示頁
2025-01-17 05:11本頁面
【正文】 其訓(xùn)練集中只含一些輸入向量，訓(xùn)練算法致力于修 改權(quán)矩陣，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。 網(wǎng)絡(luò)模式的概念 所有的信息都是以模式的形式表現(xiàn)出來的。 隱藏層：網(wǎng)絡(luò)輸入層與輸出層以外的層 層數(shù)：網(wǎng)絡(luò)輸入層的層號 第 j1層到第 j層的聯(lián)結(jié)矩陣稱第 j層聯(lián)結(jié)矩陣，記 W(j) 非線性激活函數(shù) 非線性激活函數(shù)在多級網(wǎng)絡(luò)中其著非常重要的作用。 第 j層：第 j1層的直接后續(xù)層。 簡單單級網(wǎng) x1 x2 xn w11 o1 o2 om 簡單單級網(wǎng)的輸入輸出 W=(wij)= w11 w21 wn1 w12 w22 wn2 w1m w2m wnm … … … 權(quán)矩陣： 輸入層第 j個神經(jīng)元的網(wǎng)絡(luò)輸入為： j =x1w1j+x2w2j+…+x nwnj (1 從而有 NET= 2 m ) , ,… O=F(NET) 多級網(wǎng) 研究表明，單級網(wǎng)的功能是有限的，適當(dāng)增加網(wǎng)絡(luò) 的層數(shù)是提高網(wǎng)絡(luò)計(jì)算能力的一個途徑。 o=f() x1 x2 xn =XW w1 w2 wn ? o=f() 激活函數(shù)的種類 線性函數(shù) 非線性斜面函數(shù) 閾值函數(shù)，又稱階躍函數(shù) S型函數(shù) S型激活函數(shù)的特性 非線性 處處連續(xù)可導(dǎo) 有較好的增益控制 —防止網(wǎng)絡(luò)進(jìn)入飽和狀態(tài) o 0 人工神經(jīng)元， MP模型 x1 x2 xn =XW w1 w2 wn ? o=f() 將基本模型和激活函數(shù)合在一起就構(gòu)成了人工神經(jīng)元 這就是著名的 McCullochPitts模型， MP模型 也稱處理單元 PE 人工神經(jīng)網(wǎng)絡(luò)的簡化畫法 用節(jié)點(diǎn)代表神經(jīng)元，加權(quán)有向邊代表從神經(jīng)元到 神經(jīng)元之間的有向聯(lián)結(jié)，權(quán)代表聯(lián)結(jié)強(qiáng)度，箭頭 代表信號的傳遞方向。 生物神經(jīng)元的六個基本特征 神經(jīng)元及其聯(lián)結(jié) 聯(lián)結(jié)強(qiáng)度決定信號傳遞的強(qiáng)弱 聯(lián)結(jié)強(qiáng)度可以隨訓(xùn)練而改變 信號可以是刺激作用的，也可以是抑制的 一個神經(jīng)元接受的信號的累積效果決定 該神經(jīng)元的狀態(tài) 每個神經(jīng)元可以有一個“閾值” 神經(jīng)網(wǎng)絡(luò)的定義 神經(jīng)網(wǎng)絡(luò)是一個由大量簡單的處理單元組成的高 度復(fù)雜的大規(guī)模非線性自適應(yīng)系統(tǒng) 它由處理單元及稱為聯(lián)結(jié)的無向信號通道互連而成 神經(jīng)網(wǎng)絡(luò)模擬人腦的四個方面 物理結(jié)構(gòu) ：人腦神經(jīng)細(xì)胞約 1010~1011個 計(jì)算模擬 ：大規(guī)模并行處理 存儲與操作 ：信息分布存放，容錯、聯(lián)想能力強(qiáng) 訓(xùn)練 ：從實(shí)踐中獲取知識 學(xué)習(xí)算法 構(gòu)造人工神經(jīng)元的要求 神經(jīng)元是構(gòu)成神經(jīng)網(wǎng)絡(luò)的最基本單元 要構(gòu)造神經(jīng)網(wǎng)絡(luò)必須先構(gòu)造人工神經(jīng)元 人工神經(jīng)元應(yīng)是簡單實(shí)現(xiàn)的數(shù)學(xué)模型 人工神經(jīng)元應(yīng)該能模擬生物神經(jīng)元的工作機(jī)理 人工神經(jīng)元的構(gòu)造方法 對于每個神經(jīng)元，它可以接受來自系統(tǒng)其他
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1