神经网络基本概念.docVIP

WORD文档 下载可编辑 专业技术 资料分享 二．神经网络控制 §2.1 神经网络基本概念 生物神经元模型：1P7 生物神经元,也称作神经细胞,是构成神经系统的基本功能单元。虽然神经元的形态有极大差异,但基本结构相似。本目从信息处理和生物控制的角度,简述其结构和功能。 神经元结构 神经元结构如图2－1所示 图2－1 细胞体：由细胞核、细胞质和细胞膜等组成。 树突：胞体上短而多分支的突起，相当于神经元的输入端，接收传入的神经冲动。 轴突：胞体上最长枝的突起，也称神经纤维。端部有很多神经末梢，传出神经冲动。 突触：是神经元之间的连接接口，每一个神经元约有104～106个突触，前一个神经元的轴突末梢称为突触的前膜，而后一个神经元的树突称为突触的后膜。一个神经元通过其轴突的神经末梢经突触，与另一个神经元的树突连接，以实现信息传递。由于突触的信息传递是特性可变的，随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元之间连接的柔性，称为结构的可塑性。 5） 细胞膜电位：神经细胞在受到电的、化学的、机械的刺激后能产生兴奋，此时细胞膜内外由电位差，称为膜电位。其电位膜内为正，膜外为负。 神经元功能 兴奋与抑制：传入神经元的冲动经整和后使细胞膜电位提高，超过动作电位的阈值时即为兴奋状态，产生神经冲动，由轴突经神经末梢传出。传入神经元的冲动经整和后使细胞膜电位降低，低于阈值时即为抑制状态，不产生神经冲动。 学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此神经元具有学习与遗忘的功能。 二．人工神经元模型 ,2P96 人工神经元是对生物神经元的一种模拟与简化。它是神经网络的基本处理单元。图2－2显示了一种简化的人工神经元结构。它是一个多输入单输出的非线形元件。 图2－2 其输入、输出的关系可描述为 2－1 其中(j=1、2、……、n)是从其他神经元传来的输入信号； 表示从神经元j到神经元i的连接权值； 为阈值； f（.）称为激发函数或作用函数。 有时为了方便起见，常把－也看成是恒等于1的输入的权值，这时（2－1式）的和式可写成 2－2 其中 输出激发函数f（.）又称为变换函数，它决定神经元（节点）的输出。f（.）函数一般具有线性特性。图2－3表示了几种常见的激发函数，分述如下。 阈值型函数 当取0或1时， 为图2－3（a）所示的阶跃函数： 2-3 当取－1或1时， 为图2－3（b）所示的函数（符号函数） 2-4 饱和型函数：图2－3（c） 2-5 （3）双曲函数：图2-3(d) 2-6 （4）S型函数：图2-3(e) 神经元的状态与输入作用之间的关系是在（0，1）内连续取值的单调可微函数，称为函数，简称为S型函数： 图2－3（e） 0 当趋于无穷时，S型曲线趋于阶跃函数，通常情况下，取值为1。 0 2-7 对称型S函数：可微，可表示为 图2-3(f) 图2－3（f） 0 2-8 (5)高斯函数 图2-3(g) （c=0时） 在径向基函数（Radial Basis Fnnetion, RBF）构成的神经元网络中，神经元的结构可用高斯函数描述： 2-9 图2－3（g） 三．人工神经网络模型2 98页 人工神经网络是以工程技术手段来模拟人脑神经网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。就神经网络的主要连接型式而言，目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。 前馈型神经网络 又称前向网络（Feedforward NN）。如图2-4可示，神经元分层排列，有输入层，隐层（亦称中间层，可有若干层）和输出层，每一层的神经元只接受前一层神经元的输入。 图2－4 从学习的观点来看，前馈网络是一种强有力的学习系统，其结构简单而易于编程；从系统的观点来看，前馈网络是—静态非线性映射，通过简单非线性处理单元的复合映射，可获得复杂的非线性处理能力。但从计算的观点看，缺乏丰富的动力学行为。大部分前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于反馈网络，典型的前馈网络有感知器网络，BP网络等。 1