- 1、本文档共31页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
神经网络及其控制课件
神经网络计算
§1-1神经元模型
一、概述
神经网络的特点
定义:用于模拟人脑神经元活动过程,包括对信息的加工、处理、存贮和搜索过程。
特点
信息分布式存贮
信息的并行处理与推理
信息的自组织、自学习
二、神经元的模型特征
神经元——多输入单输出的信息处理单元
膜电位——细胞内部和外部具有不同的电位,当外部电位为零时,内部电位称为膜电位。
ωi0 —— 兴奋性神经元的突触
ωi0 —— 抑制性
ωi=0 —— 第i个输入信号对该神经元不起任何作用
神经元具有以下特征:
时空整合功能:
空间总和:
定量描述为:整个神经元的膜电位(状态变化)与输入信号与其权重的线性组合:
是线性相关的
时间总和:不同时刻的输入信息对神经元的影响会重叠,加起来,同时起作用。
时空整合: 根据空间和时间总和,神经元对不同时刻和不同部位的输入进行处理,该过程称之为时空整合作用。
定量描述为:设第i个输入信号t时间后对膜电位的影响为ωi(t′(t)),则在t时刻,神经元膜电位的变化与下式有关:
(1—1)
式中——第i个输入在时间t′时的输入信号
阈值特性
神经元的输入输出之间为非线性,如图1—2所示:
图1—2 阈值特性
即:
——阈值
不应期
本身是随着兴奋程度的变化而变化。
绝对不应期——当—时,无论输入信号多强大,也不会有输出信号。
突触结合的可塑性:即权重ωi是实时变化的。
二、 神经模型
入
图1—3 神经元模型
输入处理: (1—2)
活化处理: (1—3)
输出处理: (1—4)
式中,fi()——输出函数,根据不同模型而定。
介绍三种典型的神经元模型:
阈值单元模型(MP模型)
MP模型——处理0和1二值离散信息的阈值单元模型。
MP模型的数学表达式为:
——阶跃函数
准线性单元模型
特点:输入和输出均为连续值。(BP网络)
神经元i的总输入为:
(1—6)
输出为:
(1—7)
概率神经元模型:
特点:输入信号采用0与1的二值离散信息,并把神经元的兴奋与抑制以概率表示。
神经元的总输入为
(1—8)
有到输出的概率分布为:
(1—9)
式中:T——网络温度的函数
应用:用于Boltzman神经网络。
三、 基于控制观点的神经元模型
其主要功能由下列三部分完成:
加权加法器---空间总和,即:
(1—10)
j
——常数,其作用是控制神经元保持某一状态。
SISO线性动态系统---时间总和:
SISO线性系统对于单位脉冲函数的响应就完成了时间总和,该响应为卷积分:
(1—12)
式中,h(t)函数常选用下列五种形式:
附:函数是用于处理许多集中于一点或一瞬时常,例如,点电荷,点热源,窄脉冲,集中力等现象,它可用以下三种形式来定义:
图a 图b 图c
图a
图b
图c0
故有:
对应于上述五种时间函数,与之间的关系分别为:
(1—14)
3. 非线性函数---输出函数:
(1—16)
式中,非线性函数的常见类如下表所示:
名称阈值函数双向阈值函数Sigma函数双曲正切函数高斯函数g(x)图形特征不可微,类阶跃,正值不可微,类阶跃,零均值可微,类阶跃,正值可微,类阶跃,零均值可微,类脉冲
§1-3 神经网络的结构和学习规则
结构
层状结构:每层中有若干个神经元,相邻层中神
经元单向联接,同层内的神经内不连接
网状结构:任何两个神经元之间都可能双向联接。
前向网络(前馈网络)
属于层状网络,如图1—5所示:
图1—5 前向网络
特点:(1).相邻层之间的神经元之间相互连接,各层内神经元之间无连接
(2)无反馈
(3)各神经元可以有多个输入(输入层除外),并只有一个输出给下一层的各神经元
(4)输入层中各输入关节无计算功能。
2. 反馈网络:
属于层状结构,如图1—6所示:
图1—6 反馈网络
特点:(1)每个神经元都具有计算功能,即为计算节点。
(2)每一个节点接收两个输入
a)外界输入
b)其它节点的反馈输入
(3)自环反馈:同一节点的输出反馈给自身做输入。
3. 相互结合型网络
属于网状结构,如图1—7所示:
图1—7 相互结合型网络
文档评论(0)