第23章 类神经网路课程.pptVIP

第23章　類神經網路 ?本章的學習主題 ? 1.類神經網路的基本概念 2.類神經網路之應用 3.倒傳遞類神經網路 4.類神經網路之運算注意事項 5.類神經網路STATISTICA軟體操作範例說明 23.1 類神經網路的基本概念 一種計算系統，包括軟體與硬體，它使用大量簡單的相連人工類神經元來模仿生物神經網路的能力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其它人工類神經元取得資訊，並加以運算，再輸出其結果到外界環境或者其它人工神經元。 一、類神經網路的分類 (一)依學習策略分類 1.監督式學習網路 (supervised learning network) 2.無監督式學習網路(unsupervised learning network) 3.聯想式學習網路(associate learning network) 4.最適化應用網路(optimization application network) (二)依網路架構分類 1. 向前式架構：神經網路由神經元分層排列，形成輸入層、隱藏層、 輸出層。每一層只接受前一層的輸出作為輸入，稱前向式架構。 2. 回饋式架構：即輸出層神經元的資訊回饋到輸入層，或層內各神經元間有連結者，或神經元不分層排列，只有一層，各神經元均可相互連結者稱回饋式架構。 二、類神經網路運作範例 類神經網路的運作範例大致上分為三種： (一)訓練範例 1. 監督式訓練範例：由代表範例特徵的輸入變數資料，與代 範例預測或分類的目標輸出變數資料共同組成。 2. 無監督式訓練範例：由代表範例特徵的輸入變 數資料組成。 3. 聯想式訓練範例：由代表範例特徵的狀態變數資料組成，該 變數值既是輸入亦是輸出，以替代方式決定變數值。 (二)測試範例 測試範例為評估已學習網路之學習效果所使用的範 例，其形式與訓練範例相同。該範例只使用回想演算 法得到推論輸出值，之後與目標輸出值比較，以評估 網路學習的精確度。 (三)待推案例 網路學習完後，可用網路推論待推案例的結果。待推 案例沒有目標輸出變數資料。網路根據待推案例之輸 入變數資料，透過回想演算法，推論出輸出值。 三、類神經網路的基本架構 類神經網路的基本架構可分三個層次： (一)處理單元的作用可用三個函數來說明 (二)層(layer) (三)網路 (network) 1. 集成函數(summation function)：將輸入變數 資料或前一層神經元之輸出與連接加權值加以 綜合，即 I = f (W, X)。常用的函數包括加權乘 積和與歐氏距離等。 2. 作用函數(activity function)：將集成函數值與 神經元狀態加以綜合，通常是直接使用集成函 數輸出，即netjn = Ijn (二)層(layer) 若干個具有相同作用的處理單元集合成「層」。 層本身有三個作用： 1.正規化輸出：將同層中的處理單元的原始輸出值加以 正規化，作為「層」的輸出。 2.競爭化輸出：在同層的所有處理單元之原始輸出值 中，選擇一個或數個最強值的處理單元，令其值為1， 其餘為0後，再作為「層」的輸出。 3.競爭化學習 ：在同層的所有處理單元之原始輸出值 中，選擇一個或數個最強值的處理單元，網路將只調 整與該單元相連的下層網路連結。 (三) 網路 (network) 網路本身有兩種作用： 1. 學習過程(learning)：從範例中學習，以調整網 路連接加權值的過程。 2. 回想過程(recalling)：以輸入資料決定網路輸 出資料的過程。 23.2 類神經網路之應用 類神經網路的應用極為廣泛，在工業與工程方面的應用包含工業與工程資料分析、工業與工程故障診斷、工業與工程決策諮詢、工業與工程製程監控、工業與工程最適化問題求解；在商業與金融方面的應用包括商業決策、商業預測、商業分析；在科學與資訊方面的應用包括醫學疾病診斷、醫學影像診斷、氣象預測、化學儀器分析解釋、複雜現象映射與模式化、感測資料分類、軍事目標追蹤、犯罪行為聚類分析、性向測驗分析、資料庫聯想搜尋、電腦輔助教學、電腦音樂、專家系統等。 23.3