即233倒传递类神经网路.PPT

* 範例結果—模式之評估 評估指標 計算方式 類神經網路 誤差均方根(RMSE) 0.646 絕對誤差平均(MAD) 46.26% 絕對百分比誤差平均(MAPE) 10.62% 誤差平均(ME) 0.082 S. D. Ratio 0.619 R2 1－(S. D. Ratio) 0.381 註1：e＝目標輸出值(T)－推論輸出值(A)。 註2：n為樣本數。 註3：Sd表樣本資料之標準差；Se表誤差之標準差 企業研究方法第23章 LOGO 第23章　類神經網路 ?本章的學習主題 ? 1.類神經網路的基本概念 2.類神經網路之應用 3.倒傳遞類神經網路 4.類神經網路之運算注意事項 5.類神經網路STATISTICA軟體操作範例說明 * 23.1 類神經網路的基本概念 一種計算系統，包括軟體與硬體，它使用大量簡單的相連人工類神經元來模仿生物神經網路的能力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其它人工類神經元取得資訊，並加以運算，再輸出其結果到外界環境或者其它人工神經元。 * 23.1 類神經網路的基本概念 * 圖 23 - 1 生物神經網路結構 圖 23 - 2 人工神經元結構 23.1 類神經網路的基本概念 * 圖 23 - 3 簡單的類神經網路 23.1 類神經網路的基本概念 一、類神經網路的分類 (一)依學習策略分類 1.監督式學習網路 (supervised learning network) 2.無監督式學習網路(unsupervised learning network) 3.聯想式學習網路(associate learning network) 4.最適化應用網路(optimization application network) * 23.1 類神經網路的基本概念 * (二)依網路架構分類 1. 向前式架構：神經網路由神經元分層排列，形成輸入層、隱藏層、輸出層。每一層只接受前一層的輸出作為輸入，稱前向式架構。 圖 23 - 4 前向式架構 23.1 類神經網路的基本概念 2. 回饋式架構：即輸出層神經元的資訊回饋到輸入層，或層內各神經元間有連結者，或神經元不分層排列，只有一層，各神經元均可相互連結者稱回饋式架構。 * 圖 23 - 5 回饋式架構 23.1 類神經網路的基本概念 二、類神經網路運作範例 類神經網路的運作範例大致上分為三種： (一)訓練範例 1. 監督式訓練範例：由代表範例特徵的輸入變數資料，與代範例預測或分類的目標輸出變數資料共同組成。 2. 無監督式訓練範例：由代表範例特徵的輸入變 數資料組成。 3. 聯想式訓練範例：由代表範例特徵的狀態變數資料組成，該變數值既是輸入亦是輸出，以替代方式決定變數值。 * 未學習網路 + 訓練範例 + 學習演算 已學習網路 加權值 加權值 23.1 類神經網路的基本概念 (二)測試範例 測試範例為評估已學習網路之學習效果所使用的範例，其形式與訓練範例相同。該範例只使用回想演算法得到推論輸出值，之後與目標輸出值比較，以評估網路學習的精確度。 (三)待推案例 網路學習完後，可用網路推論待推案例的結果。待推案例沒有目標輸出變數資料。網路根據待推案例之輸入變數資料，透過回想演算法，推論出輸出值。 * 已學習網路 + 測試範例 + 回想演算法 已學習網路 評估 精度 已學習網路 + 待推案例 + 回想演算法 待推案例 推論 推論輸出值 23.1 類神經網路的基本概念 三、類神經網路的基本架構 類神經網路的基本架構可分三個層次： (一)處理單元的作用可用三個函數來說明 (二)層(layer) (三)網路 (network) * 23.1 類神經網路的基本概念 1. 集成函數(summation function)：將輸入變數 資料或前一層神經元之輸出與連接加權值加以 綜合，即 I = f (W, X)。常用的函數包括加權乘 積和與歐氏距離等。 2. 作用函數(activity function)：將集成函數值與 神經元狀態加以綜合，通常是直接使用集成函 數輸出，即netjn = Ijn * (一)處理單元的作用可用三個函數來說明 * 3. 轉換函數(transfer function)：將作用函數輸出值 轉換成處理單元輸出，即Yj = f (netj)。常用函數 包括硬限函數、線性函數與非線性數函數。 23.1 類神經網路的基本概念 23.1 類神經網路的基本概念 (二)層(layer) 若干個具有相同作用的處理單元集合成「層」。 層本身有三個作用： 1.正規化輸出：將同層中