神经网络理论及应用第三章）.pptVIP

神经网络原理及应用 林述温 2008年9月 神经网络：包括 一组神经元模型，网络拓扑结构，权集（联接强度）； 训练和学习的一般含意：在选定的神经元模型和网络拓扑结构，以及给定的输入集条件下，寻找使网络运行结果能最好地符合预期要求的一个联接权集。 有监督的或有教练的； 有监督的训练方法：需提供一系列训练对；所谓训练对就是输入矢量和一个相应的目标输出矢量。 无监督的或无教练； 无教练方法：这种方法的训练集内只有输入矢量而没有目标输出矢量。 训练过程中网络自动将各输入矢量的特征抽取出来，而将输入矢量分成若干类，训练好的网络能够识别新的输入矢量的类别，并相应地得到不同的特定输出矢量。 本章主要总结乘积学习规则、差值学习规则。 * * 第3章 训练和学习总结 3.1 概述 经过训练的网络在接受新的输入信号后，能给出所期待的合理输出； 训练和学习实质性的含意就是寻找合适权集的一种步骤或过程。 至今神经网络的学习能力仍极为有限，还有大量难题尚待解决。 训练方法分： 第3章 训练和学习总结 第3章 训练和学习总结 第3章 训练和学习总结 其中输入层任一神经元 有： 3.2 乘积学习规则 输入信号矢量： 第3章 训练和学习总结 连接权 ： 乘积规则认为：如果将输入信号规格化，即： 第3章 训练和学习总结 则权值应为： 若将（3.5）