人工神经网络PPT课件讲稿.ppt

人工神经网络 目录 第1章 概述 1．1 人工神经网络研究与发展 1．2 生物神经元 1．3 人工神经网络的构成 第2章人工神经网络基本模型 2．1 MP模型 2．2 感知器模型 2．3 自适应线性神经元 第3章 EBP网络(反向传播算法） 3．1 含隐层的前馈网络的学习规则 3．2 Sigmoid激发函数下的BP算法 3．3 BP网络的训练与测试 3．4 BP算法的改进 3．5 多层网络BP算法的程序设计 多层前向网络BP算法源程序 第4章 Hopfield网络模型 4．1 离散型Hopfield神经网络 4．2 连续型Hopfield神经网络 Hopfield网络模型源程序 4．3 旅行商问题(TSP)的HNN求解 Hopfield模型求解TSP源程序 第5章 随机型神经网络 5．1 模拟退火算法 5．2 Boltzmann机 Boltzmann机模型源程序 5．3 Gaussian机 第6章自组织神经网络 6．1 竞争型学习 6．2 自适应共振理论(ART)模型 6．3 自组织特征映射(SOM)模型 6．4 CPN模型 第7章 联想记忆神经网络 7．1 联想记忆基本特点 7．2 线性联想记忆LAM模型 7．3 双向联想记忆BAM模型 7．4 时间联想记忆TAM模型 Hopfield模型联想记忆源程序 第8章 CMAC模型 8．1 CMAC模型 8．2 CMAC映射算法 8．3 CMAC的输出计算 8．4 CMAC控制器模型 以上是从宏观上分析了人脑信息处理特点。从信息系统研究的观点出发，对于人脑这个智能信息处理系统，有如下一些固有特征： (1)并行分布处理的工作模式。 实际上大脑中单个神经元的信息处理速度是很慢的，每次约1毫秒(ms)，比通常的电子门电路要慢几个数量级。每个神经元的处理功能也很有限，估计不会比计算机的一条指令更复杂。 但是人脑对某一复杂过程的处理和反应却很快，一般只需几百毫秒。例如要判定人眼看到的两个图形是否一样，实际上约需400 ms，而在这个处理过程中，与脑神经系统的一些主要功能，如视觉、记亿、推理等有关。按照上述神经元的处理速度，如果采用串行工作模式，就必须在几百个串行步内完成，这实际上是不可能办到的。因此只能把它看成是一个由众多神经元所组成的超高密度的并行处理系统。例如在一张照片寻找一个熟人的面孔，对人脑而言，几秒钟便可完成，但如用计算机来处理，以现有的技术，是不可能在短时间内完成的。由此可见，大脑信息处理的并行速度已达到了极高的程度。 (2)神经系统的可塑性和自组织性。 神经系统的可塑性和自组织性与人脑的生长发育过程有关。例如，人的幼年时期约在9岁左右，学习语言的能力十分强，说明在幼年时期，大脑的可塑性和柔软性特别良好。从生理学的角度看，它体现在突触的可塑性和联接状态的变化，同时还表现在神经系统的自组织特性上。例如在某一外界信息反复刺激下．接受该信息的神经细胞之间的突触结合强度会增强。这种可塑性反映出大脑功能既有先天的制约因素，也有可能通过后天的训练和学习而得到加强。神经网络的学习机制就是基于这种可塑性现象，并通过修正突触的结合强度来实现的。 (3)信息处理与信息存贮合二为一。 大脑中的信息处理与信息存贮是有机结合在一起的，而不像现行计算机那样．存贮地址和存贮内容是彼此分开的。由于大脑神经元兼有信息处理和存贮功能，所以在进行回亿时，不但不存在先找存贮地址而后再调出所存内容的问题，而且还可以由一部分内容恢复全部内容。 (4)信息处理的系统性 大脑是一个复杂的大规模信息处理系统，单个的元件“神经元”不能体现全体宏观系统的功能。实际上，可以将大脑的各个部位看成是一个大系统中的许多子系统。各个子系统之间具有很强的相互联系，一些子系统可以调节另一些子系统的行为。例如，视觉系统和运动系统就存在很强的系统联系，可以相互协调各种信息处理功能。 (5)能接受和处理模糊的、模拟的、随机的信息。 (6)求满意解而不是精确解。 人类处理日常行为时，往往都不是一定要按最优