基于神经网络地数据挖掘研究.pptVIP

下面我们调整输入，直接来分析这个因素： 为此我通过数据源视图浏览数据，通过透视表来验证一下我们的 推断是否正确: 谢谢！ 3 计算隐含层和输出层之间的权值 隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下： 3 反馈网络模型Hopfield网络 寻找记忆： 3.1 Hopfield网络 网络由初始状态向稳定状态演化的过程。 初始输出模式向量 单层全互连、权值对称的神经网络。 结构： Hopfield网络 （HNN） 离散型HNN(DHNN)： M-P模型二值神经元 连续型HNN(CHNN)： 神经元为连续时间输出。 设 是第s类的记忆样本。为了存储 M个记忆样本，神经元i和神经元j之间的权值wij为 若神经元i的输入为ui，输出为 ，则 式中， 说明： 定义网络的能量函数 由某一神经元的状态的变化量 引起的E变化量为 式中， ， 。 ?E0，E有界，网络最终可达到一个不随时间变化的稳定状态。 稳定性：如果网络从t=0的任一初始状态x(0)开始变化时，存在某一 有限时刻t，此后网络状态不再变化，则称网络是稳定的。 3.2 算法步骤： 第一步：给神经元的连接权