神经网络方法幻灯片.pptVIP

哈尔滨工程大学 7.1 人工神经网络综述 7.2 人工神经元模型—神经组织的基本特征 7.2 人工神经元模型—MP模型 7.3 人工神经网络的结构模型 7.4 人工神经网络的学习算法 7.5 人工神经网络的特点和优越性 7.6 人工神经网络与信息融合的结合 7.7 神经网络实例 神经网络实例 续 局部决策 局部决策 局部决策 局部决策 基于神经网络的融合算法 基于神经网络的融合算法 基于神经网络的融合算法 仿真结果 仿真结果 仿真结果 BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。 1 正向传播：输入样本－ 输入层－ 各隐层（处理）－ 输出层 若输出层实际输出与期望输出（教师信号）不符，则转入 2 -误差反向传播过程 2 误差反向传播：输出误差（某种形式）－ 隐层（逐层）－ 输入层 其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。 * 7 神经网络方法 7.1 人工神经网络综述 7.2 人工神经元模型 7.3 人工神经网络的结构模型 7.4 人工神经网络的学习算法 7.5 人工神经网络的特点和优越性 7.6 人工神经网与信息融合的结合 7.7 神经网络融合实例 二十世纪八十年代，人工神经网络取得了重大进展，在诸如手写体邮政编码判读，蛋白质二级结构的识别，热力学参数的求取，催化剂设计等许多方面取得成功，发展成为一门介于物理、数学、计算机科学、神经生物学之间的交叉学科。 人工神经网络就是采用物理可实现的系统来模仿人脑神经细胞的结构和功能的系统。它是由很多处理单元有机地联接起来，进行并行的工作，它的处理单元十分简单，其工作是“集体”进行的，它的信息传播，存贮方式与神经网络相似，没有运算器、存贮器、控制器这些现代计算机的基本单元，而是相同的简单处理器的组合。它的信息是存贮在处理单元之间的连接上，因而它是与现代计算机完全不同的系统。 从全局看，多个神经元构成一个网络，因此神经元模型的定义要考虑整体，包含如下要素： （1）对单个人工神经元给出某种形式定义； （2）决定网络中神经元的数量及彼此间的联结方式； （3）元与元之间的联结强度（加权值）。 1943年，仿照人类神经元的基本特征，McCulloch和Pitts提出了历史上第一个神经元模型，称为M-P模型，这一模型形式上表示为： 单层人工神经网络 两层人工神经网络 根据神经元之间连接方式的不同，人工神经网络可分为:不含反馈的前向网络、从输出层到输入层有反馈的前向网络、层内有相互连接的前向网络、相互组合型网络。从学习方式角度可分为有教师学习网络和无教师学网络；按层次划分，可分为单层、两层和多层（但一般不超过3层）。 NN的工作过程分学习、训练阶段和回忆阶段。其学习方式有如下几种: 1 死记式学习:将网络事先设计成特殊记忆的模式，以后当给定有关该系统的输入信息时，它们就被回忆起来。 2 从例子中学习:在学习时给网络提供一个输入信息，教师给出正确的输出信息，对系统进行训练，调节系统权值，以使系统输出更接近期望结果，感知器就是这种教师学习的例子。 3 无导师学习:将网络设计成不需要教师直接指点的学习方式，如竞争学习系统。 第一，具有自学习功能。例如图像识别，只需先把不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。 第二，具有联想存储功能。人的大脑是具有联想功能的。用人工神经网络的反馈网络就可以实现这种联想。 第三，具有容错性。神经网络可以从不完善的数据图形进行学习和作出决定。由于知识存在于整个系统而不是一个存储单元中，一些结点不参与运算，对整个系统性能不会产生重大影响。所以，神经网络承受硬件损坏的能力比一般计算机强得多。 第四，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。 利用神经网络实现信息融合技术，具有很多优越性: 1 神经网络的信息存储在网络的连接权值和连接结构上，使得传感器的信息表示具有统一的形式，便于管理和建立知识库; 2 神经网络可增加信息处理的容错性，当某个信源的数据出现差错时，神经网络的容错功能可以使系统正常工作，并输出可靠的信息; 3 神经网络的自学习和自组织功能，使系统能适应环境的不断变化以及输入数据的不确定性; 4 神经网络的并行结构和并行处理机制。使得信息处理速度快，能够满足信息的实时处理要求。 火灾探测是一种特殊类型的信号检测，由传感器采集的火情参数一方面具有不确定性，另一方面其不仅随火灾特征而变化，也可能随环境变化和存在噪声等而有所改变，而且这