常見神經(jīng)網(wǎng)絡(luò)模型ppt課件-在線瀏覽
2025-02-22 10:17本頁面
【正文】 1時(shí)，輸入樣本稱為 A類；輸出為 0時(shí)，輸入樣本稱為 B類。 當(dāng) x分類為 A類時(shí)，期望值 y＝ 1； X為 B類時(shí)， y=0。 )(1??? ??niii xwfyyye ?? *iii xetwtw ????? ?)()1(9 常見神經(jīng)網(wǎng)絡(luò)模型 一、感知器 例：有一組訓(xùn)練向量，對單輸出感知器有： X1=[1，1， 2， 0]T， X2=[1， 0， ， ]T， X3=[1， 1， 1， ]T， 設(shè)初始權(quán)值為 Wi（ 0） = [， 1， 1，0]T,η =， 期望輸出為 Y1=0， Y2=0， Y3=1， 試訓(xùn)練感知器網(wǎng)絡(luò)。當(dāng)學(xué)習(xí)結(jié)束時(shí)，也即神經(jīng)網(wǎng)絡(luò)能正確分類時(shí)，顯然權(quán)系數(shù)就反映了同類輸人模式樣本的共同特征。 由于權(quán)系數(shù)是分散存在的，故神經(jīng)網(wǎng)絡(luò)自然而然就有分布存儲的特點(diǎn)。 其分類條件是樣本是線性可分的。 15 二、 BP網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 BP網(wǎng)絡(luò)的數(shù)學(xué)模型： 設(shè)有一個(gè) m層的神經(jīng)網(wǎng)絡(luò)，并在輸入層加有樣本 X；第 k層的 i神經(jīng)元的輸入總和表示為 Uik， 輸出 Xik；從第 k1層的第 j個(gè)神經(jīng)元到第 k層的第 i個(gè)神經(jīng)元的權(quán)系數(shù)為 Wij， 各神經(jīng)元的激勵(lì)函數(shù)為 f， 則各個(gè)變量的關(guān)系可用下面有關(guān)數(shù)學(xué)式表示： ? ???jkjijkikikiXWUUfX1)(16 二、 BP網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 BP網(wǎng)絡(luò)的學(xué)習(xí)算法： 反向傳播算法分二步進(jìn)行，即 輸入信號正向傳播 和 誤差信號反向傳播 。 2．誤差信號反向傳播 在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。 17 二、 BP網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 BP網(wǎng)絡(luò)的學(xué)習(xí)算法： 初始化：置權(quán)系數(shù) w為最小的隨機(jī)數(shù)； 訓(xùn)練：給出輸入樣本 x=（ x1， x2， … ， xn ） 以及期望輸出 y=（ y1， y2,… yn）； 計(jì)算輸出：按順序計(jì)算隱含層、輸出層各神經(jīng)元輸出； 計(jì)算期望輸出與實(shí)際輸出的誤差； 修改輸出層的權(quán)系數(shù)和閾值； 修改隱含層的權(quán)系數(shù)和閾值； 轉(zhuǎn) 3，直到誤差滿足要求。 分割后的數(shù)字圖像 ： 原始圖像 ： 20 二、 BP網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 車牌數(shù)字識別 BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，輸入層、隱含層、輸出層神經(jīng)元個(gè)數(shù)分別為 1 2 10。取最大輸出端對應(yīng)的數(shù)字作為識別結(jié)果，如果所有輸出端的結(jié)果都小于 ，則認(rèn)為系統(tǒng)無法識別。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1