Neuro Solutions神经网络软件.pptVIP

NeuroSolutions类神经网络模拟介绍 决策分析研究室 何谓类神经网络 类神经网络的灵感源自于脑神经学，其基本概念是希望透过模拟人脑结构的方式来建立新一代的计算机处理模式。(中山大学 机电系 严成文教授) 运用计算机（软、硬件）来模拟生物大脑神经的人工智能系统，并将此应用于辨识、决策、控制、预测，? ? ? 等等。(真理大学工管系 邱宽旭教授) 类神经网络（ Neural Network，NN）类似人类神经结构，是「一种基于脑与神经系统研究，所启发的信息处理技术」。具有人脑功能基本特性：学习、记忆和归纳。(辅仁大学统计信息学系 谢邦昌教授) 何谓类神经网络 类神经网络并不需要了解系统的数学模型，直接以神经网络取代系统的模型，一样可以得到输入与输出之间的关系。 类神经网络和回归分析不同，没有任何假设的机率分布，是模式识别和误差最小化的过程，在每一次经验中提取和学习信息。 类神经网络可以处理连续型和类别型的资料，对资料进行预测。 Neural Network Model Brain Neuron (生物神经元) Artificial neuron (人工神经元) 人工神经网络为一系列的处理单元，处理单元透过神经树之连结借以调整连结强度(权重)来输出。 人工类神经介绍 神经元状态分成兴奋及抑制二种，以1代表兴奋，以0代表抑制 神经元与其他神经元间以神经节连结，可用加权值代表神经节之连结强度 神经元之状态会透过神经节输出至其他神经元，而成为其他神经元之状态输入 类神经网络的架构 类神经网络主要结构是由神经元（neuron）、层（layer）和网络（network）三个部份所组成。 整个类神经网络包含一系列基本的神经元，通过权重（weight）相互连接。 这些单元以层的方式组织，每一层的每个神经元和前一层、后一层的神经元连接。 类神经网络的架构 类神经网络的分为输入层、输出层和隐藏层，三层连结形成一个神经网络。 输入层只从外部环境接收信息，该层的每个神经元相当于自变数，不完成任何计算，只为下一层传递信息。 输出层生成最终结果，为网络送给外部系统的结果值。 类神经网络的架构 隐藏层介于输入层和输出层之间，这些层完全用于分析，其函数联系输入层变量和输出层变量，使其更配适(fit)资料。 目前尚没有统一的标准方法可以计算神经网络的最佳层数。 一层加权神经元的网络称单层感知器，多层加权神经元的网络称多层感知器（multi-layer perceptrons）。 MP(MultiLayer Perceptron)模型公式： Yj = f(net j) Yj处理单元函数 net j = ΣWij Xi – θj Wij = 连结强度 Xi = 神经元i所传来之讯号 θj = 神经元j之阀值 f = 转换函数，通常为阶梯函数(Step function) f(x) = △Wij = ηXi Xj η：学习速率，控制权重修正幅度 BPN原理简单介绍 提供范例资料给神经网络 神经网络运算后产生输出资料 神经网络运算后产生输出资料并比较满意值 修正网络中之权重以降低误差 Neural Networks的要求 神经网络学习是透过范例来让网络收敛，因此输入资料必须为： -拥有足够范例资料来让神经网络作适当之归纳。 -适度的训练 -资料中的关系变量无绝对之影响变量 -针对监督式学习需要有期望输出值(目标值) 训练，输入值为其关键 信赖度 Neural networks are very powerful 对于神经网络之是基于训练之资料上。 若资料不足则没办法修正权重作业。 透过充分资料之训练的神经网络，是可信赖的。 类神经网络的应用-工业应用 控制器设计与系统鉴别 产品质量分析（例：汽水瓶装盖与填充监测、珍珠分级） 机电设备诊断（例：数值电路诊断、类比IC诊断、汽车引擎诊断） 化工程序诊断 （例：化工厂制程故障诊断） 实验资料模型建立 （例：复合材料行为模型建立） 工程分析与设计（例：钢梁结构、道路铺面状况评级） 类神经网络的应用-商业应用 股票投资（例：大盘基本分析、大盘技术分析、个股技术分析） 债券投资（例：债券分级、美国国库券利率预测） 期货、选择权、外汇投资（例：期货投资、选择权投资、外汇投资） 商业信用评估（例：贷款信用审核、信用卡信用审核） 其他商业应用（例：直销顾客筛选、不动产鉴价） 类神经网络的应用-管理应用 策略管理（例：市场需求量预测方法之选择、雇工人数规画） 时程管理（例：排程策略选择、工作排程） 质量管理（例：管制图判读、半导体制造过程所需蚀刻时间估计） 类神经网络的应用-信息应用 影像辨识系统（例：指纹识别、卫星