递归神经网络.docxVIP

递归神经网络递归神经网络概述一、引言人工神经网络的进展历史己有 60 多年，是采纳物理可实现的系统仿照人脑神经细胞的结构和功能， 是在神经生理学和神经解剖学的基础上，利用电子技术、光学技术等模拟生物神经网络的结构和功能原理而进展起来的一门新兴的边缘交叉学科， (下面简称为神经网络， NeuralNetwork) ；这些学科相互结合，相互渗透和相互推动；神经网络是当前科学理论讨论的主要“热点”之一，它的进展对目前和将来的科学技术的进展将有重要的影响； 递归神经网络 递归神经网络概述 一、引言 人工神经网络的进展历史己有 60 多年，是采纳物理可实现的系统仿照人脑 神经细胞的结构和功能， 是在神经生理学和神经解剖学的基础上， 利用电子技术、 光学技术等模拟生物神经网络的结构和功能原理而进展起来的一门新兴的边缘 交叉学科， (下面简称为神经网络， NeuralNetwork) ；这些学科相互结合，相互渗 透和相互推动；神经网络是当前科学理论讨论的主要“热点”之一，它的进展对 目前和将来的科学技术的进展将有重要的影响； 神经网络的主要特点是： 大规模 的并行处理、分布式的信息储备、良好的自适应性、自组织性、以及很强的学习 才能、联想才能和容错才能；神经网络在处理自然语言懂得、图像识别、智能机 器人掌握等方面具有独到的优势； 与冯· 诺依曼运算机相比， 神经网络更加接近 人脑的信息处理模式； 自从 20 世纪 80 岁月，Hopfield 首次提出了利用能量函数的概念来讨论一类 具有固定权值的神经网络的稳固性并付诸电路实现以来， 关于这类具有固定权值 神经网络稳固性的定性讨论得到大量的关注； 由于神经网络的各种应用取决于神 经网络的稳固特性， 所以，关于神经网络的各种稳固性的定性讨论就具有重要的 理论和实际意义； 递归神经网络具有较强的优化运算才能， 是目前神经运算应用 最为广泛的一类神经网络模型； 依据不同的划分标准， 神经网络可划分成不同的种类； 按连接方式来分主要 有两种：前向神经网络和反馈 (递归)神经网络；前向网络主要是函数映射，可用 于模式识别和函数靠近； 递归神经网络由于有反馈的存在， 所以它是一个非线性 动力系统， 可用来实现联想记忆和求解优化等问题； 由于神经网络的记亿信息都 储备在连接权上，依据连接权的猎取方式来划分，一般可分为有监督神经网络、 无监督神经网络和固定权值神经网络； 有监督学习是在网络训练往往要基于肯定 数量的训练样木；在学习和训练过程中，网络依据实际输出与期望输出的比较， 进行连接权值和阂值的调剂；通常称期望输出为老师信号，是评判学习的标准； 最典型的有监督学习算法是 BP(BackProPagation)算法；对于无监督学习， 无老师 递归神经网络信号供应应网络， 网络能依据其特有的结构和学习规章，进行连接权值和闽值的调整，以表示外部输入的某种固有特点；与有监督和无监督神经网络相比，固定权值神经网络不需要进行学习，权值是依据要解决的问题事先确定的；具有反馈的固定权值递归神经网络，如目前受到 广 泛 研 究 的 Hopfield网 络 、 细 胞 神 经 网 络 、 双 向 联 想 记 忆 网 络 和Cohen-Grossberg网络等，主要用在优化运算、联想记忆和模式识别等方面；二、递归神经网络的分类递归神经网络是一种具有固定的权值、外部的输入和内部的状态的神经网 递归神经网络 信号供应应网络， 网络能依据其特有的结构和学习规章， 进行连接权值和闽值的 调整，以表示外部输入的某种固有特点； 与有监督和无监督神经网络相比， 固定权值神经网络不需要进行学习， 权值 是依据要解决的问题事先确定的； 具有反馈的固定权值递归神经网络， 如目前受 到 广 泛 研 究 的 Hopfield 网 络 、 细 胞 神 经 网 络 、 双 向 联 想 记 忆 网 络 和 Cohen-Grossberg网络等，主要用在优化运算、联想记忆和模式识别等方面； 二、递归神经网络的分类 递归神经网络是一种具有固定的权值、外部的输入和内部的状态的神经网 络，可将其看作以权值和外部输入为参数的，关于内部状态的行为动力学； 依据基本变量是神经元状态 (神经元外部状态 )或局部场状态 (神经元内部状 态)，或者从外部状态和内部状态作为建模方法来分，递归神经网络分为：静态 场神经网络模型和局部场神经网络模型； 这两种模型在递归神经网络中代表两类 基本的建模方法；局部场模型包括 Hopfield 型神经网络 (即原始 Hopfield 神经网 络及各种变形的 Hopfield 神经网络 )和细胞神经网络模型等；静态场模型包括盒 中脑状态模型和优化型神经网络模型； 静态场模型广泛应用于求解线性变分不等 式和线性补问题； 依据处理信号的不同方式