人工智能(神网络).ppt

;人工神经网络;神经网络的基本概念及组成特性;神经网络的基本概念及组成特性;9.1.2 人工神经网络的组成与结构 1. 人工神经网络的组成 人工神经网络（简称ANN）是由大量处理单元经广泛互连而组成的人工网络，用来模拟脑神经系统的结构和功能。而这些处理单元我们把它称作人工神经元。 人工神经网络（ANN）可看成是以人工神经元为节点，用有向加权弧连接起来的有向图。在此有向图中，人工神经元就是对生物神经元的模拟，而有向弧则是轴突—突触—树突对的模拟。有向弧的权值表示相互连接的两个人工神经元间相互作用的强弱。 ; ; 2. 人工神经元的工作过程 对于某个处理单元（神经元）来说，假设来自其他处理单元（神经元）i的信息为Xi，它们与本处理单元的互相作用强度即连接权值为Wi, i=0,1,…,n-1,处理单元的内部阈值为θ。那么本处理单元（神经元）的输入为; (a)阈值型 (b)分段线性型 (c) Sigmoid函数型 (d)双曲正切型 图 常用的激发函数 ; 阈值型函数又称阶跃函数，它表示激活值σ和其输出f(σ )之间的关系。阈值型函数为激发函数的神经元是一种最简单的人工神经元，也就是我们前面提到的M-P模型。 线性分段函数可以看作是一种最简单的非线性函数，它的特点是将函数的值域限制在一定的范围内，其输入、输出之间在一定范围内满足线性关系，一直延续到输出为最大域值为止。但当达到最大值后，输出就不再增大。 S型函数是一个有最大输出值的非线性函数，其输出值是在某个范围内连续取值的。以它为激发函数的神经元也具有饱和特性。 双曲正切型函数实际只是一种特殊的S型函数，其饱和值是－1和1。 ;3.人工神经网络的结构 人工神经网络中，各神经元的不同连接方式就构成了网络的不同连接模型。常见的连接模型有: 前向网络。 从输入层到输出层有反馈的网络。 层内有互联的网络。 互联网络。;4. 人工神经网络的分类及其主要特征 分类 按性能分：连续型和离散型网络，或确定型和随机型网络。 按拓扑结构分：有反馈网络和无反馈网络。 按学习方法分：有教师的学习网络和无教师的学习网络。 按连接突触性质分：一阶线性关联网络和高阶非线性关联网络。; 人工神经网络具有以下主要特征： （1）能较好的模拟人的形象思维。 （2）具有大规模并行协同处理能力。 （3）具有较强的学习能力。 （4）具有较强的容错能力和联想能力。 （5）是一个大规模自组织、自适应的非线性动力系统。 ;9.1.3 人工神经网络研究的兴起与发展 人工神经网络的研究经历了不少的曲折，大体上可分为四个阶段: 产生时期(20世纪50年代中期之前) 高潮时期(20世纪50年代中期到20世纪60年代末期) 低潮时期(20世纪60年代末到20世纪80年代初期) 蓬勃发展时期(20世纪80年代以后) ;材姐阎肘辛窘霹娟车商逸秩高酱温涛耍爱雷榴辟京泛汁帅有洛杖丽冒硅蕴人工智能(神网络)人工智能(神网络);婶刃斩鞠伍栏后郭坛拟碌苞池拖澈燃琐禄伤吠似袜尖兑收陇旱扒疫缆皿老人工智能(神网络)人工智能(神网络);冬坡利还祝唉昧赡链延凶碧驭例别组锥牟惦淬捍倍跟砸堡曰搀首唱谅啪汞人工智能(神网络)人工智能(神网络);辈卜兴很超黑彭蝴吊政糟维弃矗借儿尊罚余套匣辐圈被蚁篙痉估砾蓑蕉焕人工智能(神网络)人工智能(神网络);9.2.1 感知器模型 感知器模型是美国学者罗森勃拉特（Rosenblatt）为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型，它把神经网络的研究从纯理论探讨引向了从工程上的实现。 Rosenblatt提出的感知器模型是一个只有单层计算单元的前向神经网络，称为单层感知器。 ;9.2.2 单层感知器模型的学习算法 算法思想：首先把连接权和阈值初始化为较小的非零随机数，然后把有n个连接权值的输入送入网络，经加权运算处理，得到的输出如果与所期望的输出有较大的差别，就对连接权值参数按照某种算法进行自动调整，经过多次反复，直到所得到的输出与所期望的输出间的差别满足要求为止。 为简单起见，仅考虑只有一个输出的简单情况。设xi(t)是时刻t感知器的输入（i=1,2,......,n），ωi(t)是相应的连接权值，y(t)是实际的输出，d(t)是所期望的输出，且感知器的输出或者为1，或者为0，则单层感知器的学习算法;;9.2.3 线性不可分问题 单层感知器不能表达的问题被称为线性不可分问题。 1969年，明斯基证明了“异或”问题是线性不可分问题： “异或”（XOR）运算的定义如下： 其相应的逻辑运算真值表;由于单层感知器的输出为 y(x1,x2)=