我的人工神经网络2基础.pptVIP

阈值逻辑单元（Threshold Logic Unit，TLU） 阈值： theta 输出结果： y当 a =theta 时 y=1，反之 y=0。 注意：输出可以是连续的，因为它也可以由一个 squash 函数 s（或 sigma）判定，该函数的自变量是 a，函数值在 0 和 1 之间，y=s(a)。 //初始化训练集合 TrainSet[ ] sets = new TrainSet[ ]{ new TrainSet(0, 0, 0), new TrainSet(0, 1, 0),  new TrainSet(1, 0, 0), new TrainSet(1, 1, 1) }; //构造单层神经网络 2 个输入节点 1个输出节点 NeuralNetwork nn = new NeuralNetwork(2, 1); slnn = new SingleLayerNeuralNetworks(nn, sets); //训练 slnn.Train(); MessageBox.Show(AND运算训练结束); this.button2.Enabled = true; this.button3.Enabled = true; this.button4.Enabled = true; this.button1.Enabled = true; this.Text = AND运算; AND计算的总体运行过程 阈值逻辑单元，带有 sigma 函数（顶部）和 cutoff 函数（底部） 激活函数(Activation Function) 激活函数——执行对该神经元所获得的网络输入的变换，也可以称为激励函数、活化函数： o=f（net） 1、线性函数（Liner Function） f（net）=k*net+c net o o c 非线性斜面函数(Ramp Function) γ if net≥θ f（net）= k*net if |net|θ -γ if net≤-θ ? γ0为一常数，被称为饱和值，为该神经元的最大输出。 非线性斜面函数（Ramp Function） γ -γ θ -θ net o 阈值函数（Threshold Function）阶跃函数 β if netθ f（net）= -γ if net≤ θ β、γ、θ均为非负实数，θ为阈值 二值形式： 1 if netθ f（net）= 0 if net≤ θ 双极形式： 1 if netθ f（net）= -1 if net≤ θ 3、阈值函数（Threshold Function）阶跃函数 β -γ θ o net 0 4、S形函数 压缩函数（Squashing Function）和逻辑斯特函数（Logistic Function）。 f（net）=a+b/(1+exp(-d*net)) a，b，d为常数。它的饱和值为a和a+b。 最简单形式为： f（net）= 1/(1+exp(-d*net)) 函数的饱和值为0和1。 S形函数有较好的增益控制 4、S形函数 a+b o (0,c) net a c=a+b/2 这三个点正处在两个区间的中间，数学方程式无法判断。为此用人工神经网络判断。输入信号为x ，y。但要求取值都在0，1之间。由于x，y均在1.1~2.1，所有数都减去1.1，归一化就完成了。 处理的基本思路是：自15个已知样品中找出规律，将此规律用于处理三个未确认的样本。 解决实际问题时要根据具体情况确定隐含层的层数和输入层、隐含层、输出层各自的结点数，以使构成的网络达到最优效果。本例中，隐含层取1，输入结点数为2，分别代表触角与翼长；中间隐含层的结点数取3个就够了。输出的结点数取2，设Af样品的输出是（1，0）；Apf的输出是（0，1）时为理想输出。由15个已知样品进行训练，选出合适的权值。对于任一未知样品，输出元后，和靠近（1，0）还是靠近（0，1）对比，就可以判断其归属了。 输入信号为x-1.1 ，y-1.1 Af样品的输出是（1，0）；Apf的输出是（0，1）学习,检验,预测 结构 McCulloch-Pitts输出 函数定