人工神经网络的模型.pdfVIP

人工神经网络的模型 :人工神经元的模型、常用的激活转移函数、 MP 模型神经元 人工神经元的主要结构单元是信号的输入、综合处理和输出 人工神经元之间通过互相联接形成网络，称为人工神经网络 神经元之间相互联接的方式称为联接模式。相互之间的联接强度由联接权值体现。 在人工神经网络中，改变信息处理及能力的过程，就是修改网络权值的过程。 人工神经网络的构造大体上都采用如下的一些原则： 由一定数量的基本神经元分层联接； 每个神经元的输入、输出信号以及综合处理内容都比较简单； 网络的学习和知识存储体现在各神经元之间的联接强度上。 神经网络解决问题的能力与功效除了与网络结构有关外， 在很大程度上取决于网络激活函数。 人工神经网络是对人类神经系统的一种模拟。 尽管人类神经系统规模宏大、 结构复杂、 功能 神奇，但其最基本的处理单元却只有神经元。 人工神经系统的功能实际上是通过大量神经元 的广泛互连，以规模宏伟的并行运算来实现的。 人工神经网络模型至少有几十种，其分类方法也有多种。 例如，若按网络拓扑结构，可分为 无反馈网络与有反馈网络； 若按网络的学习方法， 可分为有教师的学习网络和无教师的学习 网络；若按网络的性能， 可分为连续型网络与离散型网络， 或分为确定性网络与随机型网络； 若按突触连接的性质，可分为一阶线性关联网络与高阶非线性关联网络。 人工神经网络的局限性： (1) 受到脑科学研究的限制： 由于生理实验的困难性， 因此目前人类对思维和记忆机制的认 识还很肤浅，还有很多问题需要解决； (2) 还没有完整成熟的理论体系； (3) 还带有浓厚的策略和经验色彩； (4) 与传统技术的接口不成熟。 如果将大量功能简单的形式神经元通过一定的拓扑结构组织起来， 构成群体并行分布式处理 的计算结构，那么这种结构就是人工神经网络，在不引起混淆的情况下，统称为神经网络。 根据神经元之间连接的拓扑结构上的不同，可将神经网络结构分为两大类： 分层网络相互连接型网络 分层网络可以细分为三种互连形式： 简单的前向网络； 具有反馈的前向网络； 层内有相互连接的前向网络。 神经网络的学习分为三种类型：有导师学习、强化学习无导师学习 有导师学习：必须预先知道学习的期望结果——教师信 息，并依此按照某一学习规则来修 正权值。 强化学习：利用某一表示“奖／惩”的全局信号，衡量与强化输入相关的局部决策如何。 无导师学习：不需要教师信息或强化信号，只要给定输入信息，网络通过自组织调整， 自学 习并给出一定意义下的输出响应。 神经网络结构变化的角度，学习技术还可分为三种 : 权值修正、拓扑变化、权值与拓扑修正 学习技术又还可分为：确定性学习、随机性学习 人工神经网络 人工神经网络是生物神经网络的某种模型 (数学模型 )；是对生物神经网络的模仿 基本处理单元为人工神经元 生物神经元 (neuron) 是基本的信息处理单元 人工神经网络 是对 生物神经 系 统 的模拟。 大量简单的 计算单元（结点，神经元） 以某种形式 连接，形成一个 网络 . 其中某些因素，如 : 连接 强度 (连接 权值 ，其大小决 定信号传递强弱 ); 结点 计算特性 (激活特性 , 神经元的输入 输出特性 );甚至 网络结 构等， 可依某种规则随外部数据 进行适当调整，最终实现某种功能。 神经网络 的计算通过网络结构实现； 不同网络结构可以体现各种不同的功能； 网络结构的 参数 是通过 学习 逐渐 修正的。 人工神经元模型的三要素 : 权值 0 ，激活 一组连接 连接权值，突触连接强度