智能控制6-1.ppt

第六章：神经网络基础 主要目的 主要内容 6.1 生物神经元 6.2 人工神经网络 6.3 神经网络研究发展与现状 6.4 感知器网络 6.5 典型前向网络－BP网络 6.6 MATLAB之神经网络工具箱 6.1 生物神经元 6.1 生物神经元 图6-1 生物神经元示意图 6.1 生物神经元 6.1 生物神经元 6.1 生物神经元 6.2 人工神经网络 6.2.1 人工神经元模型 6.2.1 人工神经元模型 该模型的数学表达式为： 6.2.1 人工神经元模型 根据响应函数的不同，人工神经元有以下几种类型： 6.2.1 人工神经元模型 1、阈值单元，图6-3(a) 6.2.1 人工神经元模型 6.2.2 人工神经网络的分类 前向网络 反馈网络 相互结合型网络 混合型网络 6.2.2 人工神经网络的分类 6.2.2 人工神经网络的分类 6.2.2 人工神经网络的分类 6.2.2 人工神经网络的分类 6.2.2 人工神经网络的分类 6.2.3 人工神经网络的学习 6.2.3 人工神经网络的学习 6.2.3 人工神经网络的学习 6.2.3 人工神经网络的学习 6.2.3 人工神经网络的学习 6.2.3 人工神经网络的学习 2．? 学习规则（误差校正规则） 6.2.3 人工神经网络的学习 3．相近学习规则 6.2.4 人工神经网络与生物神经网络的比较 6.2.5 常用神经网络 6.3 神经网络研究的发展与现状 6.4 感知器网络 6.4.1 感知器结构 6.4.1 感知器结构 6.4.1 感知器结构 6.4.1 感知器的分类功能 6.4.1 感知器的分类功能 6.4.1 感知器的分类功能 6.4.1 感知器的分类功能 6.4.2 感知器的学习 6.4.2 感知器的学习 6.4.2 感知器的学习 6.4.3 感知器问题的线性可分性 6.4.3 感知器问题的线性可分性 6.4.3 感知器问题的线性可分性 6.4.3 感知器问题的线性可分性 6.4.3 感知器线性可分性问题的解决 Thank You~ 感知器是有单层计算单元的神经网络，由线性元件及阀值元件组成，在线性分类问题中，感知器仍然发挥着重要的作用。 1943年美国心理学家麦卡洛克（W.McCulloch）和数学家皮茨（W.Pitts），提出了简单的神经网络数学模型（简称M-P模型）。 1957年美国计算机科学家罗森布拉特（F.Roseblatt）提出感知器模型。 感知器的网络结构是由单层感知神经元，通过一组权值{wi}与n个输入相连组成。 图6-6 感知器简化结构图 其中，f [·]是阶跃函数，并且有 θ是阈值。 感知器的数学模型： 由上式可知，通过对网络权值的训练，可以使感知器对一组输入矢量的响应达到元素为0或1的目标输出，从而实现对输入矢量分类的目的。 感知器的这种分类的功能可以通过在感知器网络的输入矢量空间平面里作图来加以解释。 以输入矢量r =2 为例，对于选定的权值w1、w2和误差b，可以在以输入p1 和p2 分别作为横纵坐标的平面画出W*P+B=0，即w1*p1+w2*p2+b=0的轨迹。它是一条直线。 此直线上的以及直线以上部分的所有p1, p2值均使w1*p1+w2*p2+b=0，这些点若通过由w1、w2和b构成的感知器，则其输出为1；该直线以下部分的点使感知器的输出为0，如图6-8所示。 图6-8 感知器图形解释 p2 p1 WP+B0 WP+B=0 WP+B0 所以当采用感知器对不同输入矢量进行期望输出为0或1的分类时，其问题则转化为： 对于已知输入矢量所处的在输入平面的位置，将由W×P+B=0的直线放置在适当的位置上，使输入矢量按期望输出值进行分类。 例：考虑一个简单的分类问题。 设计一个感知器，将二维的四组输入矢量分成两类。 输入矢量为：P＝[-0.5 -0.5 0.3 0；-0.5 0.5 -0.5 1]； 目标矢量为：T＝[1 1 0 0]； 解：通过前面对感知器图解的分析可知，感知器对输入矢量的分类实质是在输入矢量空间用W*P+B=0的线性表达式对其进行分割而达到分类的目的。 根据这个原理，对此例中二维四组输入矢量的分类问题，可以用一组不等式组来等价表示出来： 实际上可以用代数求解法来求出上面不等式中的参数w1、w2和b。经过迭代和约简，可得到解的范围如下： 一组可能解为： 　感知器的学习算法目的在于找寻恰当的权系数w=(w1，w2，…，wn)，使系统对一个特定的样本x=(x1，x2，…，xn)能产生期望值d。为了方便说明感知器学习算法，把阈值θ并入权系数w 中，同时，样本x也相应增加一个分量xn+1，故令　　　　　wn+1=－θ，xn+1=1　则感知器的输出