p0000r8.ppt

感知器学习算法举例 前馈网络 感知器学习算法演示见nnd 3. 多层感知器 多层感知器: Multi-Layer Perceptron, MLP Architecture： 前馈网络 多层感知器的一致逼近性 逻辑功能：单个阈值神经元可以实现任意多输入的与、或及与非、或非逻辑门。 任何逻辑函数可由两层前馈网络实现 当神经元的输出函数为Sigmoid等函数时，两层前馈网络可以逼近任意的多元非线性函数 MLP的适用范围大大超过单层网络。 前馈网络 XOR问题 任何一个逻辑电路都可以只用若干XOR门来实现， XOR是通用门 (universal logic gate) 感知器不能解决XOR问题 两层感知器可以解决XOR问题 前馈网络 4. C-Means算法的双层神经网络实现 采用双层神经网络结构，如图所示： 输入节点数等于输入模式矢量的维数 隐层计算样本与各聚类中心的距离，其单元数等于类数(c)，节点j与输入节点i的连接权值为wij， wj代表第j类聚类中心 输出层为“c中选1个最大” 输入层 输出层 C-1 MAXNET x1 x2 xR w1 w2 wc l 前馈网络 C-Means算法 神经网络的训练： 初始化：选择前c个样本x1, x2, …,xc初始化w1, w2, …,wc，并建立c个空聚类列表：K1, K2, …,Kc 依次把样本x馈入网络并计算输出l（即按照最