09数据融合9幻灯片.pptVIP

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。天然具有存储经验知识和使之可用的特性。 神经网络的计算能力 有两点:(1) 大规模并行分布式结构。 (2) 神经网络学习能力以及由此而来的泛化能力。泛化是指神经网络对不在训练(学习) 集中的数据可以产生合理的输出。 神经网络性质和能力 1. 非线性。一个人工神经元可以是线性或者是非线性的。 一个由非线性神经元互联而成的神经网络自身是非线性的, 并且非线性是一种分布于整个网络中的特殊性质。 2. 输入输出映射 有监督学习或有教师学习是一个学习的流行范例, 涉及使用带标号的训练样本或任务例子对神经网络的权值进行修改。 每个样本由一个惟一的输入信号和相应期望响应组成。从一个训练集中随机选取一个样本给网络, 网络就调整它的突触权值 ( 自由参数 ), 以最小化期望响应和由输入信号以适当的统计准则产生的实际响应之间的差别。 使用训练集中的很多例子重复神经网络的训练, 直到网络到达没有显著的突触权值修正的稳定状态为止。 先前用过的例子可能还要在训练期间以不同顺序重复使用。因此对当前问题网络通过建立输入输出映射从例子中进行学习。 3. 适应性 神经网络嵌入了一个调整自身突触权值以适应外界变化的能力。特别是一个在特定运行环境下接受训练的神经网络, 对环境条件不大的变化可以容易进行重新训练。而且, 当它在一个时变环境中运行时, 网络突