人工神经网络复习总结资料.docxVIP

人工神经网络复习资料第一次课1.人工神经元模型2.3.Forward Neural Networks Model前向神经网络模型Feedback Neural Networks Model反馈神经网络模型Neural Networks Control System神经网络控制系统Integrated Neural Networks集成神经网络4.5.6.When no node节点output is an input to a node in the same layer or preceding layer前层, the network is a feedforward network(前向网络).当输出被引导为输入到相同的或之前的层节点时，网络是反馈网络反馈网络,封闭的循环称为复发性网络(递归网络)7.8.9.神经网络的用途是1分类2模式识别、特征提取、图像匹配3降噪4预测4.感知器（前向网络）5.感知器是一个具有单层计算神经元的神经网络，并由线性阈值元件组成，是最简单的前向网络。感知器模型是美国学者罗森勃拉特（Rosenblatt）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， Rosenblatt提出的感知器模型是一个只有单层计算单元的前向神经网络，称为单层感知器。它主要用于模式分类，单层的感知器网络结构如下图所示。5.感知器算法1）随机地给定一组连接权2）输入一组样本和期望的输出3）计算感知器实际输出4）修正权值5）选取另外一组样本，重复上述2）～4）的过程，直到权值对一切样本均稳定不变为止，学习过程结束。5. Perceptron Learning Rule该学习算法收敛的充分必要条件是输入样本是线性可分的。同时的选取也是十分关键的。学习率选取太小，学习太慢；学习率太大，学习过程可能出现修正过头的情况，从而产生振荡。5.感知器训练规则及计算方法的掌握5.感知器网络应用利用感知器神经网络架构解决一个简单的模式识别问题。使用感知器神经网络架构来表示和门1）分类：训练网络预测心脏病新病人2）逻辑运算：单层感知器可以表示和，或者，不，等等，但不是XOR3）6. MATLAB functions for perceptron networks5.应用实例:设计一单层单输出感知器神经网络，进行二值化图像卡片上数字的奇偶分类5.第二次课Key wordsbiological neuronArtificial Neural neuronoutput neuronsinterconnection weightedbias levelsactivation functionfeedforward neural networkhidden layersoutput layerinput-output mappingAssociation memoryPattern Recognitionsystem identificationperceptron modelLearning Processes learning algorithmtraining examplesinput vectorTarget outputdesired responsesupervised learningUnsupervised Learninglearning tasksrate of learning生物神经元人工神经元神经元输出神经元互联加权偏见水平激活功能前馈神经网络隐藏的图层输出层输入输出映射关联记忆模式识别系统识别感知器模型学习过程学习算法训练实例输入矢量目标输出期望的响应监督学习无监督学习学习任务学习的速度2.3.3.3.3.4．算法实现步骤：第一步:初始化第二步：输入一个样本，计算连接权值的调整量第三步：调整连接权值第四步：计算均方误差5．6．线性神经网络的应用线性神经网络在模式识别、信号滤波和预测、函数近似等方面有广泛的用途,至今仍然广泛应用于各种实际系统中,特别是在自适应滤波方面,用途更为广泛。1以自适应线性网络实现噪声对消2胎儿心率的检测3电话中的回音对消第三次课1．BP网络具有一层或多层隐含层，除了在多层网络上与前面已介绍过的感知器模型有不同外，其主要差别也表现在激活函数上。感知器是二值型的函数。 BP网络的激活函数必须是处处可微的，所以它就不能采用二值型的阀值函数{0，1}或符号函数{-1，1}，BP网络经常使用的是S型的对数或正切激活函数和线性函数。用了“BP算法”进行训练的“多层感知器模型3.3.3.3.2.BP网络主要用于（1）Functions approximation：BP can be applied to learn non-linear functions（2）pattern recog