神經(jīng)網(wǎng)絡(luò)分類器(1)-展示頁
2025-06-04 18:03本頁面
【正文】 階躍函數(shù)： )()( xstepxf ?)(1???? niii xwfy ? f 為閾值函數(shù)： 感知器模型 )s g n (1???? niii xwy ?則： y=sgn (WTX) 即： y =f (WTX) 這種神經(jīng)元沒有內(nèi)部狀態(tài)的轉(zhuǎn)變，而且函數(shù)為閾值型。 ?連接的專一性原則：神經(jīng)元之間無細(xì)胞質(zhì)的連續(xù)，神經(jīng)元不構(gòu)成隨機(jī)網(wǎng)絡(luò)，每一個(gè)神經(jīng)元與另一些神經(jīng)元構(gòu)成精確的聯(lián)接。 神經(jīng)元的基本工作機(jī)制： ?神經(jīng)元的兩種工作狀態(tài)：興奮和抑制。 軸突：用以輸出信號。 二、人工神經(jīng)元 生物神經(jīng)元 典型的神經(jīng)元，即神經(jīng)細(xì)胞結(jié)構(gòu)：胞體、樹突、軸突、突觸 胞體：神經(jīng)細(xì)胞的本體，完成普通細(xì)胞的生存功能。 ? 1986年，提出多層感知器的反向傳播算法。 ? 50年代末提出感知模型，把神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)付諸工程實(shí)踐。 ? 1949年，提出神經(jīng)元的學(xué)習(xí)準(zhǔn)則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。第五章 神經(jīng)網(wǎng)絡(luò)分類器 感知器算法 神經(jīng)網(wǎng)絡(luò)分類器 感知器算法 一、引言 模式識別與人工智能是研究如何利用計(jì)算機(jī)實(shí)現(xiàn)人腦的一些功能。 人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展： ? 1943年，提出形式神經(jīng)元的數(shù)學(xué)模型，人工神經(jīng)網(wǎng)絡(luò)研究的開端。 ? 50年代，研究類似于神經(jīng)網(wǎng)絡(luò)的分布系統(tǒng)。 ? 1982年，提出神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，引入了能力的概念，研究了網(wǎng)絡(luò)的動(dòng)力學(xué)特性；設(shè)計(jì)出用電子線路實(shí)現(xiàn)網(wǎng)絡(luò)的方案，大大促進(jìn)了神經(jīng)網(wǎng)絡(luò)的研究。 ? 現(xiàn)在神經(jīng)網(wǎng)絡(luò)的應(yīng)用已滲透到智能控制、信號處理、優(yōu)化計(jì)算、生物醫(yī)學(xué)工程等領(lǐng)域。 樹突：有大量的分枝，接受來自其他神經(jīng)元的信號。 突觸：神經(jīng)元相聯(lián)系的部位，對樹突的突觸為興奮性的，使下一個(gè)神經(jīng)元興奮；對胞體的突觸為抑制性的，阻止下一個(gè)神經(jīng)元興奮。 ?動(dòng)態(tài)極化原則：在每一個(gè)神經(jīng)元中，信息以預(yù)知的確定方向流動(dòng)，即從神經(jīng)元的接收信息部分傳到軸突的電脈沖起始部分，再傳到軸突終端的突觸，以與其它神經(jīng)元通信。 信號的傳遞過程： ? 接受興奮電位； ? 信號的匯集和傳導(dǎo)； ? 信號的輸出。因此，它實(shí)質(zhì)上是一種線性閾值計(jì)算單元。感知器訓(xùn)練算法就是由這種神經(jīng)網(wǎng)絡(luò)演變來的。 算法描述 用樣本訓(xùn)練時(shí)，若 x∈ ωi， g(x)0，則 w不變。 通過上面的定義，感知器問題變成 wi/wj兩類問題。 感知器訓(xùn)練算法 初始化： ? 給定一個(gè)訓(xùn)練模式集 {x1, x2,… xN}，其中每個(gè)類別已知，它們分屬于 ω1,ω2。 ? 權(quán)向量 w為 (n+1)維向量。 ?輸入訓(xùn)練模式 xk，計(jì)算判別函數(shù)值 wT(k)xk ?調(diào)整增廣權(quán)矢量，規(guī)則是： 如果 wT(k)xk≤0, 則 w(k+1)=w(k)+ Cxk 如果 wT(k)xk0, 則 w(k+1)=w(k) ?如果 kN，令 k=k+1，返至第二步。若是，結(jié)束；若不是，令 k=1，返至第二步 例 1：試用感知器算法求出下列兩類的判別函數(shù)。 感知器算法收斂性分析 Nixw iT ,. . .2,10* ???收斂定理：如果訓(xùn)練模式是線性可分的，感知器訓(xùn)練算法在有限次迭代后便可以收斂到正確的解矢量 w* 若將式中閾值 0改為一非負(fù)值 T，則變?yōu)楦话愕男问剑? 設(shè)： w*為權(quán)向量的解，則它具有下式的性質(zhì)： NiTxw iT ,. . .2,1* ???感知器算法可寫成： ????????????TxkwxkwTxkwkwkwkTkkT)()()()()1(如果如果取 C=1（不失一般性，可分入樣本中） xk中 k為 N個(gè)訓(xùn)練樣本在多次反復(fù)迭代中的累積編號。如果 k=N，則檢驗(yàn)判別函數(shù) wi’x對 x1, x2… xN,是否都能正確分類。 感知器算法推廣 ?????????????0)()(0)()()1(kTkkTxkwxckwxkwkwkw由感知器算法： 進(jìn)一步：將 cxk變?yōu)閷Ψ诸愬e(cuò)誤敏感的準(zhǔn)則函數(shù) J(w, x) 定義： )(}),({)()()1(kxwJckwJckwkw
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號-1