神经网络及其应用.pptVIP

5 自组织竞争型神经网络 竞争型网络分为输入层和竞争层。假定输入层由N个神经元构成，竞争层有M个神经元。网络的连接权值为wij,i=1,2,…N, j=1,2,…,M, 且满足： =1 在竞争层中，神经元之间相互竞争，最终只有一个或者几个神经元获胜，以适应当前的输入样本。竞争胜利的神经元就代表着当前输入样本的分类模式。 竞争型网络的输入样本为二值向量，各元素取值0或1。竞争层神经元j的状态可按下式计算： 5 自组织竞争型神经网络 其中，xi为输入样本向量的第i个元素。根据竞争机制，竞争层具有最大加权值的神经元k赢得竞争胜利，输出为： 竞争后的权值按照下式进行修正，对于所有的i, 有： 5 自组织竞争型神经网络 例：岩性识别是储层评价的重要工作之一，是求解储层参数的基础。利用测井资料进行岩性识别有很多方法，本例采用神经网络方法。选择某地区的资料进行研究。该地区属于碳酸盐地层，因此需要判断的岩性有3种，即泥岩、砂岩和石灰岩。通过对历史资料的分析和现场试验可知，影响岩性有5个重要的因子，即CNL、DEN、DTC、GR、RT。 通过对历史资料进行分析，获得了100组样本点，由于篇幅的原因，我们只用6组数据，这6组样本作为网络的训练样本。 P =[ 0.4036 0.4154 0.5352 0.5524 0.7709 0.7589 0.4365 0.4711 0.6408 0.6528 0.7812 0.7965 0.4860 0.4639 0.6145 0.6234 0.8204 0.8125 0.5161 0.4981 0.6299 0.6715 0.8425 0.8506 0.3419 0.3806 0.7154 0.7025 0.8622 0.8709] net=newc(minmax(P),3,0.1); net=init(net); net.trainParam.epochs=200; net=train(net,P); Y=sim(net,P) Y = (2,1) 1 (2,2) 1 (1,3) 1 (1,4) 1 (3,5) 1 (3,6) 1 P_test=[0.7601 0.8123 0.8079 0.8450 0.8792]’； Y_test=sim(net,P_test) 5 自组织竞争型神经网络 Y_test = (3,1) 1 * * * 神经网络及其应用 H-H模型 Integrate-and-Fire模型 基于放电率编码的生物神经网络 Hopfield 网络 自组织竞争型神经网络 BP网络 RBF神经网络 PID神经网络 人工神 经网络 生物神 经网络 神经科学 神经网络技术 1 生物神经元及其网络- H-H模型 1 生物神经元及其网络- H-H模型 (1) H-H方程（神经元模型） 1 生物神经元及其网络- H-H模型 ：突触电流 ：外部电流 1 生物神经元及其网络- H-H模型 (2) 突触模型 2 生物神经元及其网络- Integrate-and-Fire模型 膜电位通过积分上升，到达阈值 后，放电（发出一个电脉冲），然后膜电位回复到复位电位 (1) 神经元模型 神经元 的放电的时刻集： 神经元的状态（膜电压） 神经元 的突触前神经元集合： 2 生物神经元及其网络- Integrate-and-Fire模型 突触强度 2 生物神经元及其网络- Integrate-and-Fire模型 （2） 突触模型 3 基于放电率编码的生物神经元及其网络 （1）神经编码 基于神经脉冲放电时刻的神经编码 神经元放电序列： 基于神经元放电率的神经编码 神经元放电率 神经元在 时刻的放电的概率密度 3 基于放电率编码的生物神经元及其网络 (2) 基于放电率编码的神经元模型 神经元放电率 (3) 基于放电率编码的突触模型 神经元膜时间常数 简化 简化 input weights output 突触电流 突触时间常数 3 基于放电率编码的生物神经元及其网络 (4) 基于放电率编码的前向神经网络 input weights output 可用于解释运动前区皮层神经元的响应特性:只要头的位置不变，神经元响应不变 (5) 基于放电率编码的反馈神经网络 input weights output 可用于解释神经系统中的选择性放大、输入积分