类神经网路在智型管理决策之应用.pptVIP

交大資管所 類神經網路在智慧型管理決策之應用 盧 坤 勇 第一部份類神經網路介紹 壹、導論 貳、類神經網路架構 參、類神經網路演算法 肆、類神經網路之應用 壹、導論 一、類神經網路簡介 二、類神經網路之類型 三、類神經網路之運作 四、類神經網路之需求能力 一、類神經網路簡介 類神經網路之定義： 「類神經網路是一種由軟體和硬體所組成之計算系統，使用許多相連的人工神經元來模仿生物神經網路。透過人工神經元從外界環境或其它神經元取得所需資訊，經過簡單的運算之後，將結果輸出到外界環境或其它神經元，這些資訊可作進階使用。」 一、類神經網路簡介(續) 類神經網路之背景 ?早在1957年即有人提出此觀念 ?早期是一種感知機（perception）之型式 ?在1960年代中期即告沒落 ?在1980年代中期之後又再度流行 一、類神經網路簡介(續) 生物神經網路之組成元素 神經核（soma） 軸索（或稱神經軸）（axon） 樹突（或稱神經樹）（dendrites） 突觸（或稱神經節）（synapse） 一、類神經網路簡介(續) 一、類神經網路簡介(續) 人工神經元模型 一、類神經網路簡介(續) 人工神經元資訊處理模型 其中 Yj 表模仿生物神經元模型的輸出訊號 f 表模仿生物神經元模型之轉換函數（transfer function） Wij 表模仿生物神經元模型之神經節強度，又稱為連結加權值 Xi 表模仿生物神經元模型之輸入訊號 θj 表模仿生物神經元模型之閥值 一、類神經網路簡介(續) 類神經網路組成單元 輸入層：用來輸入外在環境之資訊 隱藏層(有些網路模型無此層) ： 提供類神經網路表現處理單元間之交互作用， 以及所處理問題之內在結構能力 輸出層：用來輸出訊息給外在環境 一、類神經網路簡介(續) 倒傳遞類神經網路模型 二、類神經網路之類型 ?監督式學習模型（Supervised learning network） ?非監督式學習模型（Unsupervised learning network） ?聯想式學習（Associated learning network） ?最適化應用網路（Optimization application network） 二、類神經網路之類型(續) 監督式學習 二、類神經網路之類型(續) 監督式學習常用模型 二、類神經網路之類型(續) 非監督式學習 二、類神經網路之類型(續) 二、類神經網路之類型(續) 聯想式學習 二、類神經網路之類型(續) 聯想式學習常用模型 二、類神經網路之類型(續) 最適化應用網路 二、類神經網路之類型(續) 最適化應用網路常用模型 三、類神經網路之運作 類神經網路之運作方式乃模擬人類之學習過程，事前透過學習以取得一些經驗法則，事後則透過聯想方式，比對待解決問題與所記憶之類型。 三、類神經網路之運作(續) 三、類神經網路之運作(續) 三、類神經網路之運作(續) 四、類神經網路之需求能力 高速計算能力 龐大的記憶容量 學習能力 容錯能力 貳、類神經網路架構 一、網路構成元素 二、處理單元 三、網路層的規劃 四、網路處理過程 五、網路設計綜合探討 一、網路構成元素 類神經網路之組成單元 處理單元(processing element) 層(layer) 網路(network) 一、網路構成元素(續) 處理單元(processing element) 為網路最基本單元，通常透過下列函數來處理資料： ?集成函數 ?作用函數 ?及轉換函數 一、網路構成元素(續) 層(layer) 由具有相同作用之若干個處理單元所組成，作用特性可分成三類： ?輸入層 ?輸出層 ?學習層 一、網路構成元素(續) 網路(network) ?網路是由「層」集合而成 ?通常具有學習和回想兩種作用 二、處理單元 處理單元之類型 二、處理單元(續) 處理單元間作用關係示意圖 二、處理單元(續) 集成函數 集成函數之功能在於將從其它處理單元轉來之資訊加以綜合，可用下式表示： 常用的集成函數有下列型式： ?加權乘積和 ?歐式距離 二、處理單元(續) 作用函數 作用函數之功用在於將集成函數值與處理單元目前之狀態加以綜合，函數型式如下： 常用的作用函數有三種型式： ?直接使用集成函數之輸出 ?加入前次集成函數之輸出 ?加入前次作用函數之輸出 二、處理單元(續) 轉換函數 轉換函數的功用是