2-1人工神经网络基础知识.pptVIP

神经网络理论Neural Network Theory  ;2 人工神经网络基础知识 ;神经元是大脑处理信息的基本单元 人脑约由101l-1012个神经元组成，其中，每个神经元约与104-105个神经元通过突触联接，形成极为错纵复杂而且又灵活多变的神经网络 神经元以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干 主要由细胞体、树突、轴突和突触(Synapse，又称神经键)组成 ; 生物神经元网络结构 ;生物学研究表明一些神经结构是与生俱来的，而其他部分则是在学习的过程中形成的。 在学习的过程中，可能会产生一些新的连接，也可能会使以前的一些连接消失。这个过程在生命早期最为显著。;二、突触的信息处理;三、信息传递功能与特点 ;2、生物神经系统的六个基本特征： 1）神经元及其联接； 2）神经元之间的联接强度决定信号传递的强弱； 3）神经元之间的联接强度是可以随训练改变的； 4）信号可以是起刺激作用的，也可以是起抑制作用的； 5）一个神经元接受的信号的累积效果决定该神经元的状态； 6) 每个神经元可以有一个“阈值”。;2.２人工神经元模型;　　目前人们提出的神经元模型已有很多，其中最早提出且影响最大的，是1943年心理学家McCulloch和数学家W．Pitts在分析总结神经元基本特性的基础上首先提出的M－P模型。该模型经过不断改进后，形成目前广泛应用的形式神经元模型。;MP模型：; MP模型; MP模型;激发函数的基本作用 控制输入对输出的激活作用 对输入、输出进行函数转换 将可能无限域的输入变换成指定的有限范围内的输出 ;例、实现逻辑函数“与门”（AND gate）运算。 1 —真，0—假;;人工神经元的数学模型描述： ;其它各单元对第j个单元的输入，通过加权，按某种运算把输入信号的综合作用整合起来，给出它们的总效果称净输入。净输入整合表达应有多种方式，人们探索到的人脑空间整合方式近似为线性求和。即单元净输入表为 ;至此，人工神经元数学模型可简化为;2.3人工神经元转移函数 ;具有这一作用方式的神经元称为阈值型神经元，这是神经元模型中最简单的一种，经典的M—P模型就属于此类。;2 非线性转移函数;有时也采用双极性S型函数（双曲正切函数tanh(x)）,其变化范围是-1～1，如图所示。其表达式为;3、线性函数 ;4 概率型转移函数 ;5、高斯函数 ;2.4人工神经网络模型 ;人们对网络模型做了大量研究,目前人工神经网络的模型很多，已有近百种，可以按照不同的方法进行分类。 按网络性能可分----连续性和离散性、确定性和随机性网络; 按学习方式可分----有导师和无导师 学习方式网络。 常见的分类方法----按网络连接的拓扑结构分类和按网络内部 的信息流向分类。 如按网络内部的信息流向分类:前馈(向)型网络和反馈型网络.;层次型结构 层次型结构的神经网络将神经元按功能分成若干层，如输入层、中间层（也称为隐层）和输出层，各层顺序相连，如图 所示。;层次型网络结构有3种典型的结构形式。 （1）单纯层次型网络结构;（2）层内有互连的层次型网络结构;（3）输出层到输入层有连接的层次型网络结构;互连型结构 对于互连型网络结构，网络中任意两个节点之间都可能存在连接路径，因此可以根据网络中节点的互连程度将互连型网络结构细分为全互连型网络、局部互连型网络、稀疏连接型网络3种情况。 （1）全互连型网络;（2）局部互连型网络 ;2.4.2网络信息流向类型 从神经网络内部信息传递方向来分，可分为两种类型：前馈型网络和反馈型网络。 1 前馈型网络 单纯前馈型网络的结构特点前述的分层网络完全相同，;前馈(向)网络特点: (1)层次关系清楚 每个神经元只与前一层神经元相连;隐层可多层. (2)反馈关系 基本前馈网络无反馈关系; 隐层自身互联,形成同层神经元之间横向抑制机制,大多自组织竞争型网络都采用此种; 输出到输入层有反馈.对复杂图形的顺序选择和识别字符需要此类网络; (3)属有导师学习型网络(输出值-教师信号-误差-实现权值自适应) (4)属于非线性映射网络;当提到具有单层计算神经元的网络时，指的应是一个两层前馈网络（输入层和输出层），当提到具有单隐层的网络时，指的应是一个三层前馈网络（输入层、隐层和输出层）。;;前馈层次型;神经网络的开发工作分两个阶段: 学习阶段(期):也称自适应期或设计期,通过学习样本或其他方法训练权矩阵; 工作阶段(期):各连接权成熟(不再改变),求解实际问题,单元状态变迁,以求达到稳态解.;人工神经网络连接权的确定通常有两种方法 根据具体要求，直接计