最新神经网络基础.ppt

第二章 神经网络基础 本章简单地介绍生物神经元、神经元模型、人工神经网络模型及其学习算法。 第二章 神经网络基础 §2.1 生物神经元模型 §2.2 人工神经元模型 §2.3 网络拓扑结构类型 §2.4 人工神经网络模型 §2.5 神经网络的学习 §2.6 小结 §2.1 生物神经元模型 神经元是脑组织的基本单元，是神经系统结构与功能的单元。据统计大脑大约包含 个神经元，每个神经元于大约 个其他的神经元相连接，构成一个极为庞大而复杂的网络，即生物神经元网络。生物神经元网络中各神经元之间连接的强弱，按照外部的刺激信号做自适应变化，而每个神经元又随着所接受的的多个激励信号的综合结果呈现出兴奋与抑制状态。大脑的学习过程就是神经元之间连接强度随外部刺激信息做自适应变化的过程，大脑处理星系的结果有个圣经元状态的整体效果确定。 生物神经元基本结构 细胞体（Cell body） 树突 (Dendrite) 轴突 （Axon） 突触 （Synapse） 每一个神经元都通过突触与其他神经元联系，突触的“连接强度”可随系统受到训练的强度而改变。 生物神经元功能 兴奋与抑制 传入神经元的冲动经整和后使细胞膜电位升高，超过动作电位的阈值时即为兴奋状态，产生神经冲动，由轴突经神经末梢传出。传入神经元的冲动经整和后使细胞膜电位降低，低于阈值时即为抑制状态，不产生神经冲动。 学习与遗忘 由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此神经元具有学习和遗忘的功能。 §2.2 人工神经元模型 人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程以反应人脑某些特性的计算结构。它不是人脑神经系统的真实描写，只是特的某种抽象、简化和模拟。 人工神经元是对生物圣经元的一种形式化描述，他对生物神经元的信息处理过程进行抽象，应用数序语言予以描述，对生物神经元的结构与功能进行模拟，并用模型图予以表达。 1943年，McCulloch-Pitts(麦克洛奇－皮兹) 根据生物 神经元的动作原理提出了神经元模型，即M-P模型， 经过不断改进，形成目前广泛应用的形式神经元模型。 对于神经元的处理机制，该模型在简化的基础上提出 以下6点 假设进行描述： 1. 每个神经元都是一个多输入单输出的信息处理单元 2. 突触分兴奋性和抑制性两种类型 3. 神经元具有空间整合特性和阈值特性 4. 神经元输入与输出间有固定的时滞，主要取决于突 触的延迟 5. 忽略时间整合作用和不应期 6. 神经元本身是非时变的，即其突触时延和突触强度 均为常数 人工神经元是对生物神经元的一种模拟与简化。它是神经网络的基本处理单元。下图显示了一种简化的人工神经元结构。它是一个多输入、单输出的非线性元件。 人工神经元输入输出关系可描述为 输出激发函数f(·)又称为变换函数，它决定神经元(节点)的输出。该输出为1或0，取决于其输入之和大于或小于内部阈值。函数一般具有非线性特征。下面几个图表示了几种常见的激发函数。 (4)双曲函数(见图(d)) §2.3 网络拓扑结构类型 层次型结构 互联型结构 神经网络的连接模式 层内连接 本层内部神经元之间的连接，可用来加强层内神经元之间的竞争。 循环连接 指神经元到自身的连接。用于不断增强自身的激活值，使本次的输出与上次的输出相关。 层间连接 指不同层之间的连接。这种连接用来实现信号传递。可以是前向的也可以是反向的。 §2.4人工神经网络模型 (2)反馈型神经网络 反馈神经网络的结构如图所示。若总节点（神经元）数为N，则每个节点有N个输入和一个输出，即所有节点都是一样的，它们之间都可相互连接。 §2.5 神经网络的学习 人工神经网络最有吸引力的特点就是它的学习能力。学习方法是体现人工神经网络智能特征的主要指标，离开了学习算法，人工神经网络就失去了自适应、自组织和自学习的能力。 人工神经网络的学习过程就是对它的训练过程。所谓训练，就是在将由样本向量构成的样本集合输入到人工神经网路的过程中，按照一定方式去调整神经元之间的连接权。使网络能将样本集的内涵以连接权矩阵的方式存储起来，从而使网络在数据输入时可以给出适当的输出。 目前神经网络的学习方法有多种，按有无教师信号来分类，可分为有教师学习、无教师学习和再励学习等几大类。在有教师的学习方式中，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。在无教师的学习方式中，输入模式进入网络后，网络按照预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能。再励学习是介于上述两者之间的一种学习方式。 有教师学习 有教师学习