- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
1、 神经元的种类有哪些它们的函数关系如何
一、神经元模型
神经元模型是生物神经元的抽象和模拟。 它是模拟生物神经元的结构和功能、 并从数学角度抽象出来的一个基本单元。它是神经网络的最基本的组成部分。
神经元一般是多输入 -单输出的非线性器件。
模型可以描述为
Neti
j
wij x jsi
i
ui
f ( Neti )
yi
g (ui )
h(Neti )
假设 g(ui )
ui ,即 yi
f ( Neti )
ui 为神经元的内部状态;
i 为阀值; xi 为输入信号, j
1,..., n ; wij 为表示从 u j 单元
到 ui 单元的连接权系数; si
为外部输入信号。
常用的神经元非线性特性有以下四种
( 1) 阀值型
f ( Neti )
f
1
0
1 Neti 0
0 Neti 0
Neti
阀值函数
( 2) 分段线性型
0 Neti Neti 0
f ( Neti ) kNeti Neti0 Neti Netil
f max Neti Netil
f
f max
0
Net i0 Net i1 Neti
线性函数
3)Sigmoid 函数型
1
f ( Neti )
1 e
f
1
0.5
Neti
T
0
Neti
Sigmoid 函数
( 4) Tan 函数型
Neti
f ( Neti )
e T
e
Neti
e T
e
f
1
0
Tan函数
Neti
T
Neti
T
Neti
2、 为什么由简单的神经元连接而成的神经网络具有非常强大的功能
神经系统是一个高度复杂的非线性动力学系统, 虽然每一个神经元的结构和功能十分简单,但由大量神经元构成的网络系统的行为却是丰富多彩和十分复杂的。
从神经元模型角度来看,有线性处理单元和非线性处理单元。
从网络结构方面来看,有:前向网络、反馈网络和自组织网络。
3、神经网络按连接方式分有哪几类,按功能分有哪几类、按学习方式分又有哪几类
神经网络按连接方式
神经网络按连接方式分
神经网络是由通过神经元的互连而达到的。 根据神经元的连接方式的不同, 神经网络可分为以下四种形式:
1) 前向网络 由输入层、隐含层和输出层组成。每一层只接受前一层神经元的输入。各神经元之间不存在反馈。属于层次型网络。
输
.
.
.
输
入
出
.
.
.
.
.
.
前向网络
2) 反馈网络 只在输出层到输入层存在反馈,即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。属于层次型网络。
输
入
输
出
反馈网络
( 3) 相互结合型网络 这种神经网络在任意两个神经元之间都可能有连接。在这个状态中, 信号要在神经元之间反复往返传递, 网络处在一种不断改变状态的动态之中,种初态开始,经过若干次的变化,才会达到某种平衡状态。属于网状结构网络。
从某
输
入
输
出
相互结合型网络
( 4) 混合型网络 通过同一层内神经元的相互结合,可以实现同一层内神经元之间
的横向抑制或兴奋机制。 这样可以限制每层内能同时动作的神经元数, 或者把每层内的神经元分为若干组,让每组作为一个整体来动作。它是层次型网络和网状结构网络的一种结合。
输 输
入 出
混合型网络
神经网络按功能分有哪几类、
神经网络将神经元按功能和顺序的不同分为输出层、中间层(隐层)、输出层。输出层各神
经元负责接收来自外界的输入信息, 并传给中间各隐层神经元; 隐层是神经网络的内部信息处理层, 负责信息变换。 根据需要可设计为一层或多层; 最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。
神经网络按按学习方式分又有哪几类
有导师学习和无导师学习。
4、如图 4-24 所示的多层前向传播神经网络结构。假设对于期望的输入
[ x1 , x2 ] [1 3] , [ yd1 , yd 2 ] [0.9 0.3] 。网络权系数的初始值见图。 试用 BP 算法训练此网
络。并详细写出第一次迭代学习的计算结果。这里,取神经元激励函数
1
f (x)
1 e
。学
习步长为
1 。最大迭代次数为
iterafe max 。误差为 e。(四舍五入,精确到小数后1 位)
x 1
w 11 1
o1 w 112
1
y1
2
w 12 -2
w 12
2
0
x 2
w 10
-2
2
w 10
0
w 21
1 w 212
o2
2
1
3
w 22
y 2
w 22 -2
-1
w 20
3
w 202
-1
神经网络结构图
解
输入最大容许逼近误差值
和最大迭代学习次数
iterate max 。置初始迭代学习次数
iterate
0 。
(1) .置各权值或阈值的初始值: w ji (0), j (0) 为小的随机数值;
回顾:
您可能关注的文档
最近下载
- 2023年计算机通用板卡行业市场需求分析报告及未来五至十年行业预测报告.docx
- 2019年度实验室CNAS内审全套资料.docx
- 天津市2023年英语高考试题及参考答案.pdf
- 嵌入式巡检机器人.docx VIP
- 2024广东暨南大学外国语学院大学英语教学部教师招聘笔试备考题库及答案解析.docx
- 2022-2023学年北京市西城区四年级(下)期末数学试卷(含解析).doc VIP
- SH_T 3007-2014 石油化工储运系统罐区设计规范.pdf
- GB∕T 31458-2015 医院安全技术防范系统要求.pdf
- 中国国家标准 GB/T 16886.1-2022医疗器械生物学评价 第1部分:风险管理过程中的评价与试验.pdf
- 简单心电图读解试题及答案.doc
文档评论(0)