人工神经网络入门PPT课件.ppt

感知器神经元及感知器神经网络模型 神经元传输函数f ：阈值型传输函数 感知器网络输出：0，1 感知器学习规则：δ规则，e＝t－a，网络训练目的是使t a * 感知器学习 感知器神经网络的训练，需要提供训练样本集，每个样本由神经网络的输入向量和输出向量对组成，n个训练样本构成的训练样本集为： 每一步学习，对于各层感知器神经元的权值和阈值的调整算法表示为： * 通过有限步数的学习后，网络实际输出和期望输出的误差将减小到0，此时，完成网络训练。训练结果使网络训练样本模式分布记忆在权值和阈值之中，当给定网络一个输入模式时，网络将计算出相应输出，从而判断这一输入模式属于记忆中的哪一种模式或接近于哪一种模式。 * 感知器局限性 输出值 单层感知器网络只用于解决线性可分问题 感知器学习算法只适用于单层感知器网络 * 感知器网络设计 确定输入向量的取值范围、维数、网络层的神经元数目、传输函数和学习函数； 构造训练样本集，确定每个样本的输入向量和目标向量，训练样本，得到满足误差性能指标的神经网络； 构造测试样本集，仿真网络的性能。 * 举例：判断数字的奇偶性。 * 2、BP网络 特点 BP网络学习 BP网络设计 * 特点 感知器神经网络学习规则和LMS学习算法只能训练单层神经网络，只能解决线性可分问题，多层神经网络可用于非线性分类 BP神经元传输函数为非线性函数 BP网络一般为多层网络 在人工神经网络应用中，绝大部分的神经网络模型采用了BP网络及其变化形式 * BP网络学习 第一阶段：输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络第一层向后计算各神经元输出 第二阶段：从最后一层向前计算各权值和阈值对总误差的影响，并据此修改 以上两个过程反复交替，直到达到收敛：误差反向传播（back propagation）。 * BP网络设计 网络层数 输入层节点数 输出层节点数 隐层节点数 * 网络层数 理论上已经证明，在不限制隐层节点数的情况下，两层（只有一个隐层）BP网络可以实现任意非线性映射，BP网络隐层一般不超过两层。 * 输入层节点数 输入层起缓冲存储器作用，它接收外部输入数据，其节点数取决于输入矢量的维数，如以32×32大小图像像素作为输入数据时，输入节点为1024 * 输出层节点数 当神经网络用于模式分类时，可以二进制形式表示不同模式的输出结果，输出节点数可根据待分类模式数来确定。 * 隐层节点数 隐层节点数往往根据前人设计所得经验和自己的试验来确定。一般来说，隐层节点数与求解问题要求，输入输出单元数有关，可以参照以下公式设计： * 举例：车牌识别 * 人工神经网络入门 李 玉 珏 * 汇报内容 概述 人工神经网络模型及举例 * 一、概述 生物神经网络——人工神经网络 生物神经元 人工神经元模型 人工神经网络结构 神经网络特点 神经网络学习方式 * 1、生物神经网络——人工神经网络 生物神经系统的某些结构和功能是天生的，如某些本能动作，但大多数功能需要后天学习才能获得。构造“人工神经元”模拟生物细胞，并以某种方式进行连接，从而模拟“人脑”的某些功能。 * 2、生物神经元 生物神经元是人脑神经系统的基本单元，相互之间通过神经末梢连接，神经元信息是宽度和幅度相同的脉冲串，兴奋的神经元，输出高频率的脉冲串，引起下一个神经元兴奋；否则输出频率就低，抑制下一个神经元。 * 3、人工神经网络模型 人工神经元是人工神经网络的基本单元。依据生物神经元的结构和功能，可以把它看作一个多输入单输出的非线性阈值器件。 * p2 p1 pR … f ∑ θ a w1 w2 wR P：其它神经元的输出，即该神经元输入向量； w：其它神经元与该神经元的连接强度，即权值向量； Θ：神经元的阈值，判断输入向量加权和与其大小； f：神经元输入输出关系函数，即传输函数，传输函数 不同构成了不同的神经网络模型； a：神经元输出 * p2 p1 pR … a w1 w2 wR ∑ f n b 人工神经元一般模型 * 4、人工神经网络结构 单个人工神经元不能完成输入信号的处理，需要按照一定的规则连接成网络，并让网络中每个神经元的权值和阈值按照一定的规则变化，才能实现一定的功能要求。