数字图像13_14.模板匹配与模式识别技术.pptVIP

生物神经元结构 1. 生物神经元的结构 神经细胞是构成神经系统的基本单元，称之为生物神经元，简称神经元。神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树突; 突触是神经元之间相互连接的接口部分，即一个神经元的神经末梢与另一个神经元的树突相接触的交界面，位于神经元的神经末梢尾端。突触是轴突的终端。 2. 神经元的功能特性 时空整合功能。 神经元的动态极化性。 兴奋与抑制状态。 结构的可塑性。 脉冲与电位信号的转换。 突触延期和不应期。 学习、遗忘和疲劳。 人工神经网络研究的兴起与发展 人工神经网络的研究大体上可分为四个阶段: 产生时期(20世纪50年代中期之前) 高潮时期(20世纪50年代中期到20世纪60年代末期) 低潮时期(20世纪60年代末到20世纪80年代初期) 蓬勃发展时期(20世纪80年代以后) 3 人工神经网络的组成 人工神经网络（简称ANN）是由大量处理单元经广泛互连而组成的人工网络，用来模拟脑神经系统的结构和功能。而这些处理单元我们把它称作人工神经元。 人工神经网络（ANN）可看成是以人工神经元为节点，用有向加权弧连接起来的有向图。在此有向图中，人工神经元就是对生物神经元的模拟，而有向弧则是轴突--突触--树突对的模拟。有向弧的权值表示相互连接的两个人工神经元间相互作用的强弱。 M－P神经元模型 人工神经网络的组成 4 人工神经元的工作过程 对于某个处理单元（神经元）来说，假设来自其他处理单元（神经元）i的信息为xi，它们与本处理单元的互相作用强度即连接权值为wi, i=0,1,…,n-1,处理单元的内部阈值为θ。那么本处理单元（神经元）的输入为 处理单元的输出为 式中，xi为第i个元素的输入，wi为第i个处理单元与本处理单元的互联权重。f称为激发函数或作用函数，它决定节点（神经元）的输出。 激发函数一般具有非线性特性,常用的非线性激发函数如图所示这里称为激活值 (a)阈值型 (b)分段线性型 (c) Sigmoid函数型 (d)双曲正切型 图 常用的激发函数 阈值型函数又称阶跃函数，它表示激活值σ和其输出f(σ)之间的关系。阈值型函数为激发函数的神经元是一种最简单的人工神经元，也是M-P模型。 线性分段函数可以看作是一种最简单的非线性函数，它的特点是将函数的值域限制在一定的范围内，其输入、输出之间在一定范围内满足线性关系，一直延续到输出为最大域值为止。但当达到最大值后，输出就不再增大。 S型函数是一个有最大输出值的非线性函数，其输出值是在某个范围内连续取值的。 双曲正切型函数实际只是一种特殊的S型函数，其饱和值是-1和1。 5 人工神经网络的结构 人工神经网络中，各神经元的不同连接方式就构成了网络的不同连接模型。常见的连接模型有: 前向网络。 从输入层到输出层有反馈的网络。 层内有互联的网络。 互联网络。 6 人工神经网络的分类及其主要特征 按性能分：连续型和离散型网络，或确定型和随机型网络。 按拓扑结构分：有反馈网络和无反馈网络。 按学习方法分：有教师的学习网络和无教师的学习网络。 按连接突触性质分：一阶线性关联网络和高阶非线性关联网络 人工神经网络主要特征 优点在于： 能较好的模拟人的形象思维。 具有大规模并行协同处理能力。 具有较强的学习能力。 具有较强的容错能力和联想能力。 是一个大规模自组织、自适应的非线性动力系统。 弱点在于： 需要更多的训练数据； 在计算机上实现模拟运行比较慢 无法透彻理解所使用的过程。 7 BP神经网络 1 反向传播模型及其网络结构 B-P模型也称反向传播模型，是一种用于前向多层的反向传播学习算法。它可以对组成前向多层网络的各人工神经元之间的连接权值进行不断的修改，从而使该前向多层网络能够将输入它的信息变换成所期望的输出信息; 在修改各人工神经元的连接权值时，所依据的是该网络的实际输出与其期望的输出之差，将这一差值反向一层一层的向回传播，来决定连接权值的修改。 B-P算法的网络结构是一个前向多层网络，如图所示: 反向传播网络的学习算法 B-P算法的学习目的是对网络的连接权值进行调整，使得调整后的网络对任一输入都能得到所期望的输出。 学习过程由正向传播和反向传播组成。 正向传播用于对前向网络进行计算，即对某一输入信息，经过网络计算后求出它的输出结果。 反向传播用于逐层传递误差，修改神经元间的连接权值，以使网络对输入信息经过计算后所得到的输出能达到期望的误差要求。 B-P算法的学习过程如下： 选择一组训练样例，每一