误差倒传递演算法.pptVIP

模糊類神經網路之 函數近似使用基因演算法 四自控四甲 翁一陳立張桐類神經網路簡介 1.前言 2.類神經網路特性功能應用 3.類神經網路架構 4.生物神經網路與類神經網路 (1)膜電位與通道 (2)動作電位 (3)生物學習能力 (4)類神經網路系統架構 (5)單層前饋式類神經網路 (6)回饋式類神經網路 (7)類神經網路之學習方式 一、前言 類神經網路（Neural Network）與模糊理論(Fuzzy Theory）- 目前均被成功地應用在各個不同的領域上，因此在這裡我們所要探討的。舉例來說：類神經網路與模糊集合常常被相提並論，基本上兩者均有增加系統智慧，模擬一個輸入，輸出對應關係等的能力。這意謂著，兩者間有一種巧妙的關係存在。到底這種關係為何，兩者間有何相似、差異性，便是一個值得思索的題目。此外，在工程應用或問題解決上，如何在兩耆間做一合適的選擇，也是常見的問題。更甚者，如何擷取兩者間的優點，互補缺失，並發展一種新的模式，也 是一研究發展方向。 類神經網路今日已經廣泛地應用在各各領域，從電機，資訊機械化工土木水利環工海洋，等理工相關領域，到醫學農學等生物相關領域及經濟，管理財務金融，都可以看到類神經網路的相關研究， 因而在語音聽覺影像和視覺方面均有很完美的表現，其記憶存取與斯維推論也十分神奇，類神經網路及仿造神經系統的運作藉由大量的運算單元(神經元)和位於運算單元間的眾多連結所組成，這些運算單元乃是以平行且分散的方式所運作，而此一設計可被用來處理各種需要大量資料運算的應用，如語音手寫辨識等。 類神經網路 模仿人類神經系統之資訊處理能力所建構之電腦軟硬體系統。 類神經網路為平行處理式架構，具備大量互相連結的處理單元。 類神經網路之特性 聯想速度快 網路架構易維持 解決最佳化、非線性系統問題 具容錯特性 具平行處理能力 類神經網路之功能 學習（Learning） 回想（Recall） 歸納推演（Generalization） 類神經網路之應用 最佳化（Optimization） 辨識與分類（Recognition/Classification） 預測（Prediction） 評估、診斷與決策（Diagnosis/Decision） 聯想（Association） 近似（Approximation） 歸納推演（Generalization） 模糊類神經網路的架構 如圖一所示模糊類神經網路，總共有四層；第一層為輸入節點，代表輸入的語意變數。第二層作為隸屬函數，分別描述各個語意變數的語詞。第三層描述模糊法則庫。第四層表示模糊法則的後件部。 生物神經系統 感覺輸入（sensory input） 整合（integration） 動作輸出（motor output） 生物神經元（Neuron） 具有相當大的細胞體（cell body or soma），內有細胞核（nucleus），擁有纖維狀的突起來延長傳導訊息的距離。 突起分為： 樹突（dendrite）：將訊息傳入細胞體。 軸突（axon）：將訊息傳出細胞體，僅一個。軸突與細胞體之相接處為神經軸丘（axon hillock）。 軸突末端分出千百個分支，形成特化的末稍，稱為突觸（synaptic）。 生物神經元（Neuron） 生物神經元（Neuron） 生物神經元（Neuron） 神經訊息在生物神經元內的傳遞是一種電的訊號，靠離子（iron）流動通過細胞膜（cell membrane）來達成。 膜電位（membrane potential）：細胞膜內外之電位差。 膜電位為負神經元處於休止狀態（resting state）。 生物神經元（Neuron） 外界刺激造成神經元表面的離子流動，進入或離開細胞膜內，使得膜電位變小或變大；若在某一時刻，一神經元所有刺激對膜電位影響的總和超過該神經元之門檻值（threshold），則該神經元會產生動作電位（action potential），由神經元之軸突將訊號傳出，再藉由突觸末端視出神經傳導物質將訊息傳至下一神經元。 生物學習能力 生物大腦中有數十億至數百億個神經元，有的神經元間沒有相互連結，有的則以複雜方式連結（如：環狀或回饋連結），相連結的神經元才可互相傳遞訊息，神經元間的連結有強弱之分，因而影響到接收訊息神經元的膜電位。 生物對新事物之學習是造成神經元間連結強弱的改變或是使沒有連結的神經元間產生新的連結。 學習演算法 1.簡介與通用學習法 (1)赫賓學習法 (2)最小均方演算法（LMS） (3) Delta學習法 (4) Correlation學習法 (5)贏者全拿（Winner-Take-All）學習法 (6) Grossberg學習法 2.類神經網路及模