第11章图像识别合编.ppt

1. 处理单元 基本处理单元的动作：将输入向量同权向量相乘，再经过一次S形变换，即得到输出值。 此输出再通过网络的相互连接传递下去，成为许多PE的输入。 可用点积函数表示： X是输入向量，W是处理单元的权重向量(weight vector)，O为输出。 g[]为激励函数，非线性，形状为S形，单调增加，可微分。其变量趋向正负无穷大时，函数值分别为1和0。 2. 工作过程 （监督）学习训练 已知类别的特征向量随机呈现给神经网络。 每次输入都使PE之间的连接权中根据一种副定的规则得到细微调整，使得网络输出朝正确方向转变。 直到每个PE都收敛到合适的权重集为止。 应用——接受特征向量作为输入，产生一个输出向量标志该未知对象属于不同类别的可能性。 输入未知对象的特征向量到第一层的所有PE。通常特征向量会增加一维，其值恒为1。 这提供一个附加权重，在函数g中起到偏移量的作用。 输入信息经过不同层传播，使输出层上产生相应的输出向量，并根据输出的结果将该对象划分到某一类中。 绝大多数神经网络采用数字化仿真实现。用软件或数字信号处理芯片模拟并行计算。先模拟配置，然后训练。 3. 多层前馈神经网络(BP， Multilayer feedforward neural network) 图11.12 多层前馈神经网络模型 放大部分为神经元基本结构，偏移量? j当作不同的权值处理 (1) 分类器训练