5.2.2 人工神经元学习.pptxVIP

第五章 知 识 学 习 ;神经元及其突触是神经网络的基本器件。因此，模拟生物神经网络应首先模拟生物神经元 人工神经元(节点)。 从三个方面进行模拟： 节点本身的信息处理能力(数学模型) 节点与节点之间连接(拓扑结构) 相互连接的强度(通过学习来调整) ;对于某个处理单元（神经元）来说，假设来自其他处理单元（神经元）i的信息为Xi，它们与本处理单元的互相作用强度即连接权值为Wi, i=0,1,…,n-1,处理单元的内部阈值为θ。;神经元各种不同数学模型的主要区别在于采用了不同的激发函数，从而使神经元具有不同的信息处理特性。神经元的信息处理特性是决定人工神经网络整体性能的三大要素之一，反映了神经元输出与其激活状态之间的关系，最常用的转移函数有4种形式。;常用的激发函数： (1)阈值型（MP模型） (2)分段线性型 (3)Sigmoid函数型(简称S型) (4)双曲正切型 ;阈值型函数又称阶跃函数，它表示激活值σ和其输出f(σ )之间的关系。阈值型函数为激发函数的神经元是一种最简单的人工神经元，也就是我们前面提到的M-P模型。 线性分段函数可以看作是一种最简单的非线性函数，它的特点是将函数的值域限制在一定的范围内，其输入、输出之间在一定范围内满足线性关系，一直延续到输出为最大域值为止。但当达到最大值后，输出就不再增大。;S型函数是一个有最大输出值的非线性函数，其输出值是在某个范围内连续取值的。以它为激发函数的神经元也具有饱和特性。 双曲正切型函数实际只是一种特殊的S型函数，其饱和值是－1和1。 ;5.2.3 人工神经网络;人工智能及其应用;按网络连接的拓扑结构分类 层次型结构：将神经元按功能分成若干层，如输入层、中间层（隐层）和输出层，各层顺序相连。 互连型网络结构：网络中任意两个节点之间都可能存在连接路径. 按网络内部的信息流向分类 前馈型网络：网络信息处理的方向是从输入层到各隐层再到输出层逐层进行。 反馈型网络：在反馈网络中所有节点都具有信息处理功能，而且每个节点既可以从外界接收输入，同时又可以向外界输出。 ;层次型结构;输出层到输入层有连接;层内有连接层次型结构;全互连型结构;局部互连型网络结构;前馈型网络;反馈型网络; 人工神经网络具有以下主要特征： （1）能较好的模拟人的形象思维。 （2）具有大规模并行协同处理能力。 （3）具有较强的学习能力。 （4）具有较强的容错能力和联想能力。 （5）是一个大规模自组织、自适应的非线性动力系统。 ; 5.2.4 代表性模型;人工智能及其应用;人工智能及其应用; 学习方式 ; 学习方式; 学习方式; 学习方式; 学习算法 ; 误差纠正学习; Hebb学习; 竞争学习; BP神经网络;BP神经网络; BP神经网络