20xx年醫(yī)學(xué)專題—人工神經(jīng)網(wǎng)絡(luò)(已改無錯字)
2024-11-04 17 本頁面
【正文】 層得不到期望(qīw224。ng)的輸出，則轉(zhuǎn)入反向傳播過程。 將誤差信號沿原來的連接通路返回，通過修改各層神經(jīng)元的連接權(quán)值，使得輸出誤差信號達(dá)到最小。 變量定義：?? XX為輸入向量，YY為網(wǎng)絡(luò)輸出向量； WW(1)(1)、WW(2)(2)分別為輸入層——隱層、隱層——輸出層的權(quán)值矩陣 每層神經(jīng)元的個數(shù)為：輸入層，NN個神經(jīng)元；隱層，PP個神經(jīng)元；輸出層，MM個神經(jīng)元。,第五十二頁，共八十七頁。,53/65,第五十三頁，共八十七頁。,54/65,第五十四頁，共八十七頁。,55/65,第五十五頁，共八十七頁。,56/65,第五十六頁，共八十七頁。,57/65,第五十七頁，共八十七頁。,58/65,第五十八頁，共八十七頁。,59/65,第五十九頁，共八十七頁。,60/65,第六十頁，共八十七頁。,61/65,網(wǎng)絡(luò)訓(xùn)練(x249。nli224。n)函數(shù),function [teste,bestep,testouts,wh,wo,errorCurve] = nnTrain(matrices,nrows,ninputs,nhiddens1, nhiddens2,noutputs,hrates,orates,moms,epochs,options) ??matrices: 訓(xùn)練(x249。nli224。n)集合的樣式，即輸入期望輸出對。 ??nrows: 樣本集的列數(shù)，即學(xué)習(xí)樣本的數(shù)目。 ??ninputs, nhiddens1, nhiddens2, noutputs: 輸入層節(jié)點(diǎn)數(shù)；第一隱層節(jié)點(diǎn)數(shù)；第二隱層節(jié)點(diǎn)數(shù)（可以為空）；輸出層節(jié)點(diǎn)數(shù)。 ??hrates, orates: 隱層、輸出層單元的學(xué)習(xí)率。 ??moms: 訓(xùn)練過程激勵速率。 ??epochs: 最大訓(xùn)練過程的迭代數(shù)。 ??options: 函數(shù)使用過程的選項(xiàng)。,第六十一頁，共八十七頁。,BP網(wǎng)絡(luò)學(xué)習(xí)(xu233。x237。)舉例,62/65,例：設(shè)計一個BP網(wǎng)絡(luò)，對表2所示的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，使學(xué)成的網(wǎng)絡(luò)能解決類似的模式分類問題(w232。nt237。)。設(shè)網(wǎng)絡(luò)的輸入層有三個節(jié)點(diǎn)，隱層四個節(jié)點(diǎn)，輸出層三個節(jié)點(diǎn)，拓?fù)浣Y(jié)構(gòu)如下圖9所示。,表2 網(wǎng)絡(luò)(wǎnglu242。)訓(xùn)練樣本數(shù)據(jù),第六十二頁，共八十七頁。,BP網(wǎng)絡(luò)學(xué)習(xí)(xu233。x237。)舉例,63/65,圖 BP網(wǎng)絡(luò)(wǎnglu242。)舉例,第六十三頁，共八十七頁。,用樣本數(shù)據(jù)按BP算法對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練(x249。nli224。n)，訓(xùn)練(x249。nli224。n)結(jié)束后，網(wǎng)絡(luò)就可作為一種模式分類器使用。因?yàn)榫W(wǎng)絡(luò)的輸出向量(1，0，0)、(0，1，0)、(0，0，1)可以表示多種模式或狀態(tài)。如可以分別表示凸、凹和直三種曲線，或者三種筆劃，也可以表示某公司的銷售情況：高峰、低谷和持平等等。 當(dāng)然，要使網(wǎng)絡(luò)有很好的模式分類能力，必須給以足夠多的范例使其學(xué)習(xí)，本例僅是一個簡單的示例。,64/65,第六十四頁，共八十七頁。,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),神經(jīng)網(wǎng)絡(luò)模型是一個在神經(jīng)網(wǎng)絡(luò)研究和應(yīng)用中經(jīng)常提到的概念。所謂神經(jīng)網(wǎng)絡(luò)模型，它是關(guān)于一個神經(jīng)網(wǎng)絡(luò)的綜合描述和整體概念，包括網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、輸入輸出信號類型、信息傳遞方式、神經(jīng)元特性函數(shù)、學(xué)習(xí)方式、學(xué)習(xí)算法等等。 截止目前，人們已經(jīng)提出(t237。 chū)了上百種神經(jīng)網(wǎng)絡(luò)模型,下表簡介最著名的幾種。,65/65,第六十五頁，共八十七頁。,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),66/65,第六十六頁，共八十七頁。,67/65,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),第六十七頁，共八十七頁。,68/65,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),第六十八頁，共八十七頁。,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),神經(jīng)網(wǎng)絡(luò)模型也可按其功能、結(jié)構(gòu)、學(xué)習(xí)方式等的不同進(jìn)行分類(fēn l232。i)。 1.按學(xué)習(xí)方式分類 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式包括三種，有導(dǎo)師學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)。按學(xué)習(xí)方式進(jìn)行神經(jīng)網(wǎng)絡(luò)模型分類時，可以分為相應(yīng)的三種，即有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)及無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。,69/65,第六十九頁，共八十七頁。,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),2. 按網(wǎng)絡(luò)結(jié)構(gòu)分類 神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)分為兩大類,分層結(jié)構(gòu)與互連結(jié)構(gòu)，分層結(jié)構(gòu)網(wǎng)絡(luò)有明顯(m237。ngxiǎn)的層次,信息的流向由輸入層到輸出層,因此,構(gòu)成一大類網(wǎng)絡(luò),即前向網(wǎng)絡(luò)。對于互連型結(jié)構(gòu)網(wǎng)絡(luò),沒有明顯的層次,任意兩處理單元之間都是可達(dá)的,具有輸出單元到隱單元(或輸入單元)的反饋連接，這樣就形成另一類網(wǎng)絡(luò),稱之為反饋網(wǎng)絡(luò)。,70/65,第七十頁，共八十七頁。,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),3. 按網(wǎng)絡(luò)的狀態(tài)分類 在神經(jīng)網(wǎng)絡(luò)模型中，處理單元(即神經(jīng)元)的狀態(tài)有兩種形式：連續(xù)時間變化狀態(tài)、離散時間變化狀態(tài)。如果神經(jīng)網(wǎng)絡(luò)模型的所有(suǒyǒu)處理單元狀態(tài)能在某一區(qū)間連續(xù)取值，這樣的網(wǎng)絡(luò)稱為連續(xù)型網(wǎng)絡(luò)；如果神經(jīng)網(wǎng)絡(luò)模型的所有處理單元狀態(tài)只能取離散的二進(jìn)制值0或1(或+1)，那么稱這種網(wǎng)絡(luò)為離散型網(wǎng)絡(luò)。 典型的Hopfield網(wǎng)絡(luò)同時具有這兩類網(wǎng)絡(luò)，分別稱為連續(xù)型Hopfield網(wǎng)絡(luò)和離散型Hopfield網(wǎng)絡(luò)。另外，還有輸出為二進(jìn)制值0或輸入為連續(xù)值的神經(jīng)網(wǎng)絡(luò)模型，如柯西機(jī)模型。,71/65,第七十一頁，共八十七頁。,神經(jīng)網(wǎng)絡(luò)模型(m243。x237。ng),4. 按網(wǎng)絡(luò)的活動方式分類 確定神經(jīng)網(wǎng)絡(luò)處理單元的狀態(tài)取值有兩種活動方式，一種是由確定性輸入經(jīng)確定性作用函數(shù)，產(chǎn)生確定性的輸出狀態(tài)；另一種是由隨機(jī)輸入或隨機(jī)性作用函數(shù)，產(chǎn)生遵從一定(yīd236。ng)概率分布的隨機(jī)輸
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1