xjd-p6-5-神经网络技术评价.pptVIP

2008. 05.12 引 言 人工神经网络:Artificial Neural Netwroks，简称ANN）方法.是一种模仿人脑神经系统的工作机制而建立的网络模型.它是一种数学模型,用电子线路来实现,也可以用计算机程序来模拟,它是人工智能研究的一种方法.它是在20-80年代的中后期在世界范围内迅速发展起来. 引 言 利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。 研究ANN目的： （1）探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统。 （2）探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。 研究ANN方法 （1）生理结构的模拟： 用仿生学观点，探索人脑的生理结构，把对人脑的微观结构及其智能行为的研究结合起来即人工神经网络（Artificial Neural Netwroks，简称ANN）方法。 （2）宏观功能的模拟： 从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观功能的模拟，即符号处理方法。 ANN的研究内容 （1）理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。 （2）实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径。 （3）应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。 人工神经网络概述 什么是人工神经网络？ T.Koholen的定义：“人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。” 脑神经信息活动的特征 (1)巨量并行性。 (2)信息处理和存储单元结合在一起。 (3)自组织自学习功能。 ANN研究的目的和意义 (1)通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。 (2)争取构造出尽可能与人脑具有相似功能的计算机，即ANN计算机。 (3)研究仿照脑神经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。 神经网络研究的发展 (1)第一次热潮(40-60年代未) 1943年,美国心理学家W.McCulloch和数学家W.Pitts在提出了一个简单的神经元模型，即MP模型。1958年，F.Rosenblatt等研制出了感知机(Perceptron）。 (2)低潮(70-80年代初): (3)第二次热潮 1982年，美国物理学家J.J.Hopfield提出Hopfield模型，它是一个互联的非线性动力学网络他解决问题的方法是一种反复运算的动态过程,这是符号逻辑处理方法所不具备的性质. 1987年首届国际ANN大会在圣地亚哥召开，国际ANN联合会成立，创办了多种ANN国际刊物。1990年12月，北京召开首届学术会议。 神经网络基本模型 生物神经元模型 神经元是脑组织的基本单元，人脑是由大约140多亿个神经元组成的巨系统。神经元的结构如下图所示： 神经元的突触： 突触是两个细胞之间连接的基本单元，每个细胞约有 个突触。突触主要有两种连接方式： 一是一个神经细胞的轴突与另一个神经细胞的树突发生接触； 二是一个神经细胞的轴突与另一个神经细胞的胞体接触。 突触有两种类型： 兴奋型和抑制型。 突触的界面具有脉冲/电位信号转换功能，它能将沿神经纤维传递的等幅、恒宽、编码的离散脉冲信号，转换为细胞膜可以处理的连续电位信号。 突触动力学： 突触能够传递神经冲动。树突从四方收集由其它神经细胞传来的信息，信息流由树突出发，经过细胞体，然后由轴突输出。信息传递在突触处主要是发生化学和电的变化，从而对神经细胞产生一个兴奋或抑制的动力。 人工神经网络的分类： 人工神经网络的分类有多种方法，但通常采用如下分类： 按网络结构分为：前馈网络和反馈网络； 按学习方式分为：监督学习和非监督学习，也叫有导师学习和无导师学习。 2. 多层人工神经网络与误差逆传播学习算法 1)M-P神经元模型 1943年,McCulloch和Pitts就定义了一种简单的人工神经元模型,M-P模型. 2. 多层人工神经网络与误差逆传播学习算法 1)M-P神经元模型 1)M-P神经元模型 多层人工神经网