课件：常见神经网络模型.pptVIP

* 三、Hopfield网络 4.2 常见神经网络模型 举例：设计一个具有两个能量井[-1，1]和[1，-1]的Hopfield网络。 * 三、Hopfield网络 4.2 常见神经网络模型 连续Hopfield网络的拓朴结构和离散Hopfield网络的结构相同。连续Hopfield网络和离散Hopfield网络不同的地方在于其激励函数不是阶跃函数，而是S形的连续函数。 连续Hopfield网络 * 三、Hopfield网络 4.2 常见神经网络模型 当Hopfield网络的神经元激励函数g是连续且有界的，例如Sigmoid函数，并且网络的权系数矩阵对称，则这个连续Hopfield网络是稳定的。 在实际应用中，任何一个系统，如果其优化问题可以用能量函数E(t)作为目标函数，那么，总可以用连续Hopfield网络对其进行求解。这样，大量的优化问题都可以用连续的Hopfield网来求解。 后面内容直接删除就行 资料可以编辑修改使用 资料可以编辑修改使用 主要经营：网络软件设计、图文设计制作、发布广告等 公司秉着以优质的服务对待每一位客户，做到让客户满意！ 致力于数据挖掘，合同简历、论文写作、PPT设计、计划书、策划案、学习课件、各类模板等方方面面，打造全网一站式需求 * * * * * 智能控制技术 中国计量学院自动化教研室 谢 敏 * 智能控制技术 第4章 人工神经元网络模型 4.1 引言 4.2 常见神经网络模型 * 4.2 常见神经网络模型 一、感知器 感知器（Perceptron）模型由美国心理学家Rosenblatt于1958年提出，其简化模型如下图： 4.2 常见神经网络模型 * 一、感知器 4.2 常见神经网络模型 感知器的数学模型： 其中：f[.]是阶跃函数或符号函数，并且有 θ是阈值。 * 感知器的最大作用就是可以对输入的样本分类，故它可作分类器，感知器对输入信号的分类如下： 即：当感知器的输出为1时，输入样本称为A类；输出为0时，输入样本称为B类。 感知器的分类边界是： 4.2 常见神经网络模型 一、感知器 * 在输入样本只有两个分量x1，x2时，则有分类边界条件： 即 ???? w1x1+w2x2-θ=0? 4.2 常见神经网络模型 一、感知器 * 感知器的学习算法： 感知器的学习算法目的在于找寻恰当的权系数w＝(w1，w2，…，wn)，使系统对一个特定的样本x＝(x1，x2，…，xn)能产生期望输出y。当x分类为A类时，期望值y＝1；X为B类时，y=0。 4.2 常见神经网络模型 一、感知器 * 4.2 常见神经网络模型 一、感知器 感知器的学习算法： 1、初始化：置权系数w为最小的随机数； 2、训练：输入一样本x＝(x1，x2，…，xn)以及它的期望输出y*； 3、计算实际输出： ； 4、计算误差： ； 5、修改权系数和阈值 ； 6、转2，直到误差满足要求。  * 4.2 常见神经网络模型 一、感知器 例：有一组训练向量，对单输出感知器有：X1=[-1，1，-2，0]T， X2=[-1，0，1.5，-0.5]T， X3=[-1，-1，1，0.5]T，设初始权值为Wi（0）= [0.5，1，-1，0]T,η=0.3，期望输出为Y1=0，Y2=0， Y3=1，试训练感知器网络。  * 4.2 常见神经网络模型 一、感知器 从感如器的学习算法可知，学习的目的是在于修改网络中的权系数，使网络对于所输入的模式样本能正确分类。当学习结束时，也即神经网络能正确分类时，显然权系数就反映了同类输人模式样本的共同特征。换句话讲，权系数就是存储了的输入模式。 由于权系数是分散存在的，故神经网络自然而然就有分布存储的特点。  * 4.2 常见神经网络模型 一、感知器 感知器实质是一个分类器，可以用于实现逻辑函数。 其分类条件是样本是线性可分的。 例：用感知器实现逻辑函数X1UX2的真值： ? X1 0 0 1 1 X2 0 1 0 1 X1UX2 0 1 1 1 * 4.2 常见神经网络模型 一、感知器 以X1UX2 ＝1为A类，以X1UX2 =0为B类，则有方程组： ? 令 W1=1，W2=2，则有：θ≤1 取?θ=0.5，则有：X1+X2-0.5=0 * 4.2 常见神经网络模型 一、感知器 x1 x2 （0,0） （0,1） （1,0） （1,1） x1 x2 （0,0） （0,1） （1,0） （1,1） 逻辑与 逻辑或 逻辑异或 x1 x2 （0,0） （0,1） （1,0） （1,1） x1 x2 （0,0） （