人工神经网络原理 作者 马锐 第2章.pptVIP

纠错学习规则 应用在采用有指导的学习方式的人工神经网络模型中 根据来自输出节点的外部反馈(期望输出)调整连接权，使得网络输出节点的实际输出与外部的期望输出一致 学习训练时需要大量的训练样本，因此训练时的收敛速度较慢 部分纠错学习规则存在“局部极小值”问题，不能保证一定收敛于全局最小点 相关学习规则 仅根据相互连接的神经元的激活水平调整连接权 经常应用在能够实现自联想记忆的人工神经网络模型中，用于实现执行特殊记忆状态的死记硬背式学习 随机学习规则 随机学习规则利用了随机过程、概率和能量的关系调整连接权 网络并不基于某种确定性算法调整连接权值，而是按照某种概率分布进行处理 可能使网络避免陷入局部极小点而到达全局最小点 胜者为王学习规则 一种竞争学习规则，应用在采用无指导的学习方式的人工神经网络模型中 在神经网络的竞争层，对一个特定输入模式X，只有具有最大加权和的神经元j才能够获胜 胜者为王学习规则调整获胜神经元输入连接权值的结果就是使其进一步接近当前的输入模式X 内星和外星学习规则 内星学习规则用于训练内星节点响应一个特定的输入模式X 外星学习规则用于调整与外星节点j相连的外星输出连接权Tj，使其接近期望的输出模式Y 人工神经网络原理 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： 第2章