湘潭大学-人工智能课件-神经网络系统.pptVIP

Artificial Intelligence (AI)人工智能;内容提要;内容提要;概述;概述;神经网络;人工神经网络的发展;人工神经网络的发展;人工神经网络的发展;人工神经网络的发展;人工神经网络的发展;神经网络;神经元结构包括四个部分： 胞体：神经细胞的本体，维持细胞生存功能 树突：接收来自其他神经元的信号（输入） 轴突：输出信号 突触：与另一个神经元相联系的特殊部位 ;神经元的基本工作机制（简化）： 一个神经元有两种状态：兴奋和抑制； 平时处于抑制状态的神经元，其树突和胞体接收其他神经元由突触传来的兴奋电位，多个输入在神经元中以代数和的方式叠加； 如果输入兴奋电位总量超过某个阈值，神经元会被激发进入兴奋状态，发出输出脉冲，并由突触传递给其他神经元。 神经元被触发后进入不应期，在不应期不能被触发，然后阈值逐渐下降，恢复兴奋性。 ;生物神经网络的六个基本特征： 1.神经元及其联接； 2.神经元之间的联接强度决定信号传递的强弱； 3.神经元之间的联接强度是可以随训练改变的； 4.信号可以是起刺激作用的，也可以是起抑制作用的； 5.一个神经元接受的信号的累积效果决定该神经元的状态； 6.每个神经元可以有一个“阈值”。;人工神经元模型;人工神经元模型;人工神经元模型;人工神经元模型;人工神经网络;人工神经网络拓扑结构;神经网络; 人工神经网络的互联结构; 单层前馈网络是指那种只拥有单层计算节点的前向网络。它仅含有输入层和输出层，且只有输出层的神经元是可计算节点。; 若假设各神经元的阈值分别是θj，j=1,2,…,m，则各神经元的输出yj, j=1,2,..,m分别为：; 多层前馈网络是指那种除拥有输入、输出层外，还至少含有一个、或更多个隐含层的前馈网络。 ;反馈网络;反馈网络;人工神经网络模型 人工神经网络模型是指对网络结构、联结权值和学习能力的总括。常用的网络模型已有数十种。例如： 传统的感知机模型；具有误差反向传播功能的反向传播网络模型；采用多变量插值的径向基函数网络模型；建立在统计学习理论基础上的支撑向量机网络模型；采用反馈联接方式的反馈网络模型；基于模??退火算法的随机网络模型。 重点讨论 1. 感知器（Perceptron）模型 2. 反向传播（BP）模型 3. 反馈网络（Hopfield）模型; 感知器是美国学者罗森勃拉特（Rosenblatt）于1957年为研究大脑的存储、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，其拓扑结构是一种分层前向网络。 包括：单层感知器和多层感知器。;单层感知器的结构如下图; 使用感知器的主要目的是为了对外部输入进行分类。 罗森勃拉特已经证明，如果外部输入是线性可分的（指存在一个超平面可以将它们分开），则单层感知器一定能够把它划分为两类。其判别超平面由如下判别式确定：;例：　“与”运算（x1∧x2）;*;例： “非”运算（?x1）;*; 使用感知器的主要目的是为了对外部输入进行分类。;多层感知器 是通过在单层感知器的输入、输出层之间加入一层或多层处理单元所构成的。;误差反向传播(Error Back Propagation)网络 简称为BP网络，是由美国加州大学的鲁梅尔哈特和麦克莱兰于1985年提出的一种网络模型。;对BP网络需说明以下两点： 第一，BP网络的每个处理单元均为非线性输入/输出关系，其作用函数通常采用的是可微的Sigmoid函数，如：; Hopfield网络是由美国加州工学院物理学家霍普菲尔特1982年提出来的一种单层全互连的对称反馈网络模型。;离散Hopfield网络的结构 离散Hopfield网络是在非线性动力学的基础上由若干基本神经元构成的一种单层全互连网络，其任意神经元之间均有连接，并且是一种对称连接结构。 一个典型的离散 Hopfidld网络结构如下图所示。 离散Hopfield网络模型是一个离散时间系统，每个神经元只有0和1（或-1和1）两种状态，任意神经元i和j之间的连接权值为Wij。由于神经元之间为对称连接，且神经元自身无连接，因此有;;人工神经网络学习;人工神经网络学习;人工神经网络学习;人工神经网络学习;人工神经网络学习;基于神经网络的知识表示;基于神经网络的推理;教材例6.5 ;问题？