神经网络培训课件.pptVIP

神经网络模型节点  Neural Networks Node 报告人：魏博 指导教师:谢邦昌 日期：2007年11月15日 什么是神经网络模型？ 定义一：神经网络，有时也称作多层感知器（MLPs），本质上是人脑处理信息方式的简化模型。它通过模拟大量相互连接的简单处理单元工作，这些处理单元好像神经元的抽象化版本。 定义二：神经网络是指用大量的简单计算单元（即神经元）构成的非线性系统，它在一定程度上模仿了人脑神经系统的信息处理、存储及检索功能。 定义三：一个神经网络是一个由简单处理元构成的规模宏大的并行分布式处理器。天然具有存储知识和使之可用的特性。神经网络在两个方面与人脑相似： 1.神经网络获得的知识是从外界环境中学习得到的。 2.互连神经元的连接强度，即突触权值，用于储存获取的知识。 神经网络模型节点 神经网络模型的种类 感知器 径向基网络 概率神经网络 广义回归神经网络 Hopfield网络 Elman网络 自组织特征映射网络 自适应共振理论网络 神经网络模型节点 多层感知器模型的结构 输入层：代表输入字段 隐含层：可以有多个子层 输出层：代表输出字段 * 权值： 连接各层单元的连接强度。它会随着网络的不断训练而不断变化。 神经网络模型节点 RBF神经网络模型的拓扑结构 1、隐含层只有一层 2、隐含层和输出层的神经元模型不同 3、隐含层是非线性，而输出层为线性 参考：《神经网络原理》Simon Haykin著.叶世伟译.机械工业出版社 神经网络模型节点 神经网络模型的学习过程(A) 模型的特点1、有指导的学习2、前馈网络3、反向传播算法(B)可变参数1、隐含层的数目2、学习效率3、动态常量4、停止准则 神经网络模型节点 神经网络的主要特点 并行分布处理——并行结构和并行实现，适于实时和动态处理 非线性映射——可以处理非线性问题 适应和集成——适用于复杂、大规模和多变量系统，可以在线  运行和定性定量分析 自学习训练——可以解决数学模型和规则难以解决的问题 Clementine中神经网络的特有功能： 敏感度分析：以辅助解释神经网络结果 修剪和验证：以避免过度训练 动态网络 ：自动找出合适的网络结构设计 神经网络模型节点 神经网络模型的主要功能  分类（Cl） 预测（Pr） 控制（Ct） 函数拟合（Ft） 神经网络的不足： 模型为黑匣子，得到的结果不易解释 模型可能会出现过拟合的情况 结果可能是局部最小值，而非全局最优值 神经网络节点建模节点字段选项 使用类型节点的设置 （Use Type node settings） 使用使用者自定义设置 （Use Custom settings） 目标字段（Target(s)） 输入字段（Inputs） 神经网络节点建模节点字段选项 Use Type node settings（使用类型节点的设置）。这一选项告诉节点从上游的Type 节点获取字段信息。这是预设设置。 Use Custom settings（使用使用者自定义设置）。这一选项告诉节点使用本节点指定的字段信息而不是来自上游节点的设置。在选择了该选项后，需要指定以下字段元。 目标字段（Target(s)）：对于需要至少一个目标字段元的模型，选择目标字段。这类似于在Type 节点中把字段方向设置为“OUT”。 输入字段（Inputs）：选择输入字段。这类似于在Type 节点中把字段方向设置为“IN”。 使用频率字段（Use frequency field）：这一选项允许使用者选择一个字段作为频率权值。如果训练数据集中的每个记录代表不止一个单元——例如使用汇总数据时，就可以使用该选项。字段值是每个记录所代表的单元数。频率字段的值应当是正整数。频率权值会影响CRT模型分支案例（branch instances）的计算。频率权值为零或者负值的记录将不参与分析。非整数频率权值取整为最相邻的整数。 使用权数字段