第六章_人工神经网络.pptVIP

第六章 人工神经网络概述 王 侠 徐州师范大学物理与电子工程学院 一、人工神经网络的构成 二、几种神经网络模型及其算法 三、用神经网络进行模式识别的典型做法 一、人工神经网络的构成 1、神经元 神经元即人工神经网络的基本单元，在网络中称为节点或网点。作用是把若干个输入加权求和，并将加权和非线性输出。 * 1 2 f …… u y 神经元模型 3 输入给函数的总量为： 则神经元的输出为： 这里 称为神经元活化函数 图中 是来自其他神经元的N个输入， 为调节输入联结强度的权； 是神经元阈值。 4 ?常用的活化函数有阶约函数和S型函数 1 0 阶跃函数 S型函数 5 ?神经元学习算法 Hebb学习规则的基本思想： 就得到加强。 如果神经元 接收来自另一神经元 的输出， 式中 是第 个权值的修正值 是控制学习速度的系数 同时兴奋时，从 到 的权值 则当这两个神经元 公式表示 6 2、网络拓扑 网络拓扑：网络的结构以及神经元的彼此连接方式 反馈型人工神经网络 非反馈型人工神经网络 特点：神经元之间存在反馈环路，网络的输出由当前输入和先前输出以及网络参数与结构决定，有短期的记忆性质 特点：神经元之间不存在反馈环路，输出由当前输入、网络参数和结构决定，没有记忆性同层之间不连接；相邻层结点间可以进行连结 7 3、网络学习算法 目标:以满足网络所需的性能为目标,决定联结各神经元的初始权值及训练中调整权值的方法. 监督学习 训练的同时向网络提供输入模式以及输出的样板模式 非监督学习 自动聚类的过程 8 二、几种用于模式识别的神经网络模型及主要算法 1、单层感知器(Single Layer Perception) 两类分类处理 9 ?训练步骤 各 及 可按如下步骤进行: 第一步:设定初始权值及阈值 +1 A类 -1 B类 第二步:启用新的输入训练信号 及相应的 理想输出信号 10 第三步:计算实际输出 第四步,调整权值 第五步，转到第二步,重复执行 11 ?LMS准则 ? 识别步骤 若感知器的输出≥0.5，判为A类；≤0.5时判为B类 ?M类判别问题 转接一个“择大选择”判决器 +1 A类 0 B类 12 2、双层感知器 是两层前馈网络，一层为输入层，一层为计算层 学习的目标是通过改变权值使神经网络由给定的输入得到给定的输出。 双层感知器 13 理想输出为： 实际输出为： 权值修正公式： 14 *