第二章神经网络基础教案编写 .pptVIP

(2) 无监督竞争学习 在无监督竞争学习系统中，没有外部的教师或则评价来监督学习的过程。要求网络学习该度量而且自由参数将根据这个度量来逐步优化。 为了完成无监督竞争学习规则，神经网络包括两层：输入层和竞争层。输入层接受有用的数据。竞争层由相互竞争的神经元组成，采用“胜者全得”的策略，具有最大总输入的神经元的输出置1，赢得竞争而被激活，其它神经元置0，连接权的调整仅在获胜神经元与输入之间进行，其他皆不变。 再励学习 把学习看作试探评价（奖或惩）过程，学习机选择一个动作（输出）作用于环境之后，使环境的状态改变，并产生一个再励信号（奖或惩）反馈至学习机。学习机依据再励信号与环境当前的状态选择下一动作作用于环境，选择的原则是使受到奖励的可能性增大。 常用学习规则 Hebb规则 Delta规则（最小均方差规则） 概率式学习规则 竞争式学习规则 梯度下降规则 Kohonen(克豪南)学习规则 逆误差传播规则 (1) Hebb学习规则 Hebb学习规则是一种联想式学习方法 1949年生物学家D.O. Hebbian基于对生物学和心理学的研究，提出了学习行为的突触联系和神经群理论。认为突触前与突触后二者同时兴奋，即两个神经元同时处于激发状态时，它们之间的连接强度将得到加强，这一论述的数学描述被称为Hebb学习规则 Hebb学习规则是一种无教师的学习算法，它只根据神经元连接间的激活水平改变权