人工智能原理第十二章神经网络及连接学习.pptVIP

第十二章 神经网络及连接学习 二. 人工神经网络的互连结构及其学习机理 (4) 随机型学习 随机型学习的基本思想是结合随机过程、概率和能量函数等概念来调整网络的变量，从而使网络的目标函数达到最小。网络的变量可以是连接权，也可以是神经元的状态。 在随机型学习过程中，网络变量随机变化，然后根据这种变化来确定网络的能量函数。 能量函数可定义为网络输出的均方误差，在这种情况下，随机型学习实际上是寻找使网络输出均方误差最小的连接权的过程。 第十二章 神经网络及连接学习 三. 感知器模型及其学习 感知器模型 感知器模型是美国学者罗森勃拉特于1957年为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型。 感知器是一种具有分层结构的前向网络模型，它可分为单层、两层及多层结构。 感知器中的神经网络是线性阈值单元，它和M-P模型很相似，当输入信息的加权和大于或等于阈值时，输出为1，否则输出为0或-1。 与M-P模型的不同之处是神经元之间的连接权是可变的，这种可变性保证了感知器具有学习的能力。 * * 人工神经网络概述 人工神经网络的互连结构 感知器模型及其学习 误差反向传播网络及其学习 第十二章 神经网络及连接学习 定义：人工神经网络ANN (Artificial Neural Network)是由大量的人工神经元经广泛互连形成的人工网络，用以模拟人类神经系