第11章 人工神经网络.pptVIP

前馈网络:反向传播算法 1 正向计算输出 前馈网络:反向传播算法 2 计算实际输出和期望输出之间的误差 前馈网络:反向传播算法 3 计算梯度 前馈网络:反向传播算法 4 计算修改量 前馈网络:反向传播算法 4 δj的计算 如果节点j是输出单元 前馈网络:反向传播算法 4 δj的计算 如果节点j不输出单元 前馈网络:反向传播算法 4 f’(net k) 的计算 对于sigmoid函数 前馈网络:反向传播算法 4 修改量的惯性项 为了加快收敛速度，加上前一次的权值修正量 前馈网络:反向传播算法 达到全局最优 5 判断是否继续迭代还是结束 迭代次数最大 模 式 识 别 徐蔚然 北京邮电大学信息工程学院 11.1引言 研究模式识别与人工智能的两个方面 自顶向下：从实际的功能出发 自底向上：模拟人脑 人工神经网络与传统模式识别相同点 要解决的问题是相同的 人工神经网络的不同点 计算是体现在一种网络结构中实现的 网络结构中的参数是通过学习而逐渐修正的 引言 人工神经网络发展 1943年，心理学家McCulloch和数学家Pitts，形似神经元的数学模型； 1949年，心理学家D.O.Hebb，神经网络的学习准则，为神经网络的学习奠定了基础 20世纪50年代末，Rosenblatt，感知器模型 1969年，Minsky和Papert，《感知器》 进入低谷 引