人工神经网络及其应用分析.pptVIP

人工神经网络及其应用 1、概述 2、神经网络概念 3、感知器模型 4、线性神经网络 5、BP神经网络 6、神经网络应用实例 1、概述 神经生理学和神经解剖学证明了人的思维是由脑完成的。神经元是组成人脑的最基本的单元，能够接收并处理信息。人脑大约由1011~1012个神经元组成，其中每个神经元约与104~105个神经元通过突触连接。因此，人脑是一个复杂的信息并行加工处理巨系统。探索脑组织的结构、工作原理及信息处理的机制，是整个人类面临的一项挑战，也是整个自然界的前沿领域。 人脑的功能，一方面受到先天因素的制约，即由遗传信息先天确定了其结构与特性；另一方面，后天因素也起重要的作用，即大脑可通过其自组织、自学习，不断适应外界环境的变化。大脑的自组织、自学习性来源于神经网络结构的可塑性，它主要反映在神经元之间连接强度的可变性上。 人工神经网络是从微观结构与功能上对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分形象思维的能力。其特点主要是具有非线性、学习能力和自适应性，是模拟人的智能的一条重要途径。 它是由简单信息处理单元（人工神经元，简称神经元）互联组成的网络，能接受并处理信息。网络的信息处理由处理单元之间的相互作用来实现，它是通过把问题表达成处理单元之间的连接权来处理的。 多年来，学者们建立了多种神经网络模型，决定其整体性能的三大要素为： （1）神经元（信息处理单元）的特性。 （2）神经元之间互相连接的形式——拓扑结构。 （3）为适应环境而改善性能的学习规则。 神经网络是人脑的某种抽象、简化和模拟，反映了人脑功能的若干基本特性： （1）网络的信息处理由处理单元间的相互作用来实现，并具有并行处理的特点。 （2）知识与信息的存储，表现为处理单元之间分布式的物理联系。 （3）网络的学习和识别，决定于处理单元连接权系的动态演化过程。 （4）具有联想记忆的特性。 2 神经网络概念 2.1 生物神经元模型 脑神经元由细胞体、树突和轴突构成。细胞体是神经元的中心，它一般又由细胞核、细胞膜和细胞质组成。树突胞体上短而多分支的突起，相当于神经元的输入端，是神经元的主要接受器，它主要用来接受信息。轴突是胞体上最长枝的突起，也称神经纤维。它的端部有很多神经末梢，传出神经冲动。轴突的作用主要是传导信息，它将信息从轴突起点传到轴突末梢（精神末梢）。 轴突末梢与另一个神经元的树突或胞体构成一种突触的机构。通过突触实现神经元之间的信息传递。突触是神经元之间的连接接口，每一个神经元约有104~105个突触。 一个神经元，通过其轴突的神经末梢，经突触，与另一个神经元的树突连接，以实现信息的传递。由于突触的信息传递特性是可变的，随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元之间连接的柔性，称为结构的可塑性。 2.2 生物神经元工作状态 神经元具有两种常规工作状态：兴奋与抑制。当传入的神经冲动经整合后使细胞膜电位升高，超过动作电位的阈值时，细胞进入兴奋状态，产生神经冲动并由轴突经神经末梢传出；当传入的神经冲动经整合后使膜电位下降低于阈值时，细胞进入抑制状态，不产生神经冲动。 由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此神经元具有学习与遗忘的功能。 2.3 人工神经元模型（MP模型） 1943年，美国心理学家Mc Culloch和数学家Pitts共同提出“模拟生物神经元”的被称为MP的人工神经元模型。它是一个多输入/多输出的非线性信息处理单元。 1 人工神经元的输入与输出关系: 其中： 为阈值 为连接权值 为激活函数 2. 常用的作用函数 神经元模型的作用函数，用以模拟神经细胞的兴奋、抑制以及阈值等非线性特性。 3. 学习规则 MP模型在发表时并没有给出一个学习算法来调整神经元之间的来连接权值。但是，我们可以根据需要 ，采用一些常见的算法来调整神经元连接权，以达到学习的目的。下面介绍的Hebb学习规则就是一个常见学习算法。 Hebb学习规则：神经网络具有学习功能。对于人工神经网络而言，这种学习归结为：若第i个和第j个神经元同时处于兴奋状态，则它们之间的连接应当加强，即： 这一规则与”条件反射“学说一致，并已得到神经细胞学说的证实。α是表示学习速率的比例常数。 2.4 神经网络的互联模式 根据连接方式的不同，神经网络的神经元之间的连接有如下几种形式。 1）前向网络 前向网络结构如下图。神经元分层排列，分别组成输入层、中间层（也称为隐含层，可以由若干层组成）和输出层。每一层的神经元只接受来自前一层神经元的输入，后面的层对前面的层没有信号反馈。输入模式经过各层次的顺序传播，最后在输出层上得到输出。感知器网络和BP网络均属于前向