人工神经网络物流中的应用.pptVIP

人工神经网络 Artificial Neural Networks 前言 他能干吗 ? 简单说来，这个东西就是模拟人脑的行为的，他就是根据人脑内部的神经结构将其仿生用于解决问题的，所以，理论上来说，只要人脑能做的，他应该都能做的。 具体说来，就是给你2堆很复杂的数据，要你找出他们之间的关系，那当然很难是不是？然后神经网络就解决这样的事情。通过对他的训练，最后他能建立其这2堆乱七八糟间的数据的关系。 最后的效果就是，你给他第3堆数据，他自动能得到这堆数据所对应的输出是什么 ! 例子：数据拟和 前言 这么说太抽象了，然后我们来理解下人脑对事物的认识就清楚了，比如你每天所碰到的那么多人这是一堆数据，对吧，然后呢，另一堆数据就是他们的性别，刚开始人脑也不知道什么性别不性别的，不知道性别有两类，性别分男女，随后呢，成长过程中，不断看到一些人，然后不断有人告诉你这个是男人，那个是女人，好了，你脑子内部的神经元开始活动，开始建立连接，其实就是相当于上面的训练。最后的效果就是随便给你个人，即使你没看到过的，你也能知道这个是什么性别的，所以，数学上也把神经网络叫为从n维空间向m维向量空间的高度非线性映射 ! 前言 现在他用的地方很多，预测是个大方面，比如交通流量什么的，有些人希望能根据前3月的流量就知道后面一个月的流量，那么就可以用些历史数据对这个神经网络训练，最后效果就是你给他3个月的数据，他就给你输出这个月的数据，其实是预测了，就相当于人脑内部的神经元建立完毕后，给定任何一个人，他都能对他进行性别判别。 前言 还有，不少人当然异想天开用在其他方面了，比如股票，更加心黑点的就是彩票了，告诉你前8期的彩号，能预测出最新一期的中奖号，那是多么好的事情啊！ 前言 他无所不能吗? 显然不是，世上哪有那么好的事情啊，大家都不是笨蛋，有这种东西，早发了 ! 神经网络的限制条件，应用条件是你的输入量和你想要输出的或者说预测的量，要有明确的物理意义，你不能把两堆莫名奇妙的根本没关系的量，仍给他训练。那样即使他训练完毕，碰到新的问题还是解决不了! 前言 还是人的那个例子，性别呢，就是分2类的，(第3类我就先不考虑了。)一个人他不是男人，就是女人。所以人和性别之间是有明确对应关系的，这样的东西，你去训练是有道理的。但是呢，你如果要把人和别的物理量进行联系，即使人脑本领通天，那也是联系不起来了. 前言 再一个例子：人与其自己照片之间的对应． 第一节 神经网络原理 他的原理完全就是根据大脑神经元的工作方式，神经与神经元通过阈值，连接权方式的连接模式，可处理各种复杂映射关系。 数学上也证明了用3层神经网络模型，理论上可逼近任意函数。 人脑的活动机理 人脑的活动机理 人脑的活动机理 M－P模型(模拟人脑网络) 在M-P模型基础上发展起来的常用神经网络模型如图所示： x(i=1，2，…，n) 为该神经元的输入 Wi 为该神经元分别与各输入间的连接强度，称为连接权值； θ为该神经元的阈值， s 为外部输入的控制信号，它可以用来调整神经元的连接权值，使神经元保持在某一状态； y 为神经元的输出。 神经元的工作过程一般是： (1) 从各输入端接收输入信号xi； (2) 根据连接权值wi，求出所有输入的加权和σ ： (3) 用某一特性函数 ( 又称作用函数) f 进行转换，得到输出y：  第二节 神经网络模型 ?一、 感知器模型 感知器是由美国学者Rosenblatt于1958年提出的一个具有单层计算单元的神经网络。 线性阈值单元示意 1、线性阈值单元 线性阈值单元是前向网络(又称前馈网络)中最基本的计算单元，它具有n个输入(x1，x2…，x n)，一个输出(y)，n个连接权值(w1，w2，…，wn。)，且符合下式： 感知器 只有一个节点的感知器： 感知器输出： 利用简单感知器可以实现逻辑 代数中的一些运算。取阶跃 函数作为状态转移函数。 感知器 2、单层感知器及其算法 单层感知器只有一个计算层，它以信号模板作为输入，经计算后汇总输出，层内无互连，从输出至输入无反馈，是一种典型的前向网络，如图所示。 在单层感知器中，当输入的加权和大于等于阈值时，输出为1，否则为0或-1。它与M-P模型的不同之处是假定神经元间的连接强度(即连接权值wij ）是可变的，这样它就可以进行学习。 单层感知器的学习及其算法： 学习的目的是调整连接权值，以使网络对任何输入都能得到所期望的输出 。 考