《神经网络感知机》课件.ppt

医学PPT x1 70 30 60 80 x2 50 90 59 40 70*0.7+ 50*0.3-60 =70 30*0.7+ 90*0.3-60 =-120 60*0.7+ 59*0.3-60 =-0.30 80*0.7+ 40*0.3-60 =80 y 1 0 0 1 Net %沿用例“求与”第二阶段工作期，验证网络 X1=X; NETi=Wij*X1;[M,N]=size(X1); for j=1:N for i=1:L if(NETi(i,j)=b(i)) y(i,j)=1; else y(i,j)=0; end end end y 初始化：initp 训练：trainp 仿真： simup 初始化： initp 可自动产生[-1,1]区间中的随机初始权值和阈值, 例: [w,b]=initp(2,8) 或 [w,b]=initp(p,t) 训练： trainp 感知器网络学习和仿真的过程 tp=[disp_freq max_epoch]; (显示频率和训练的最大步数) [w,b,te]=trainp[w,b,p,t,tp]; Train函数完成每一步训练后,返回新的网络权值和阈值,并显示已完成的训练步数ep及误差te 仿真： simup 注意:使用trainp函数并不能保证感知器网络在取训练所得到的权值和阈值时就可以顺利达到要求,因此,训练完成后，最好要验证一下: a=simup[p,w,b]; if all(a==t); disp(‘Itworks!’); end ——感知机 人工神经网络模型 大脑是由生物神经元构成的巨型网络，它在本质上不同于计算机，是一种大规模的并行处理系统，它具有学习、联想记忆、综合等能力，并有巧妙的信息处理方法。 人工神经网络是模拟人脑思维方式的数学模型，从微观结构和功能上对人脑进行抽象和简化，模拟人类智能。人工神经网络(简称神经网络)也是由大量的、功能比较简单的形式神经元互相连接而构成的复杂网络系统，用它可以模拟大脑的许多基本功能和简单的思维方式。 我们不可能对生物学上的神经网络作完全的了解，只可能在某种成度上描述我们所了解的情况。同样，人工神经网络也只可能是在某种程度上对真实的神经网络的一种模拟和逼近。 神经元模型 生物神经元模型 神经元neuron,neural cell也就是神经细胞。人脑就是由大量神经元组合而成的。 神经元由 细胞体、树突和轴突组成。 中心 接受器 传导信息 人工神经元模型，如图所示 感知机是最早被设计并被实现的人工神网络。感知器是一种非常特殊的神经网络，它在人工神经网络的发展历史上有着非常重要的地位，尽管它的能力非常有限，主要用于线性分类。 θ 或 某个神经元 j 的输入—输出关系为其中， 为阀值， 为连接权，f(?)为变换函数，也称活化函数(activation function)。 感知机的结构  我们以单层感知器来说明： 两个输入 x1 和 x2 。 一个阀值 θ 两个待调整的权值W1和W2 决策函数为 样本集分别属于2类。 θ 1 特点： １）多输入，单输出 ２）激活函数／传递函数为二值，一般为阶跃函　　数或符号函数 ３）输出为二值：０／１或－１／１ ４） 1 　u0 -1 　u≤ 0 或 1 　u0 ０ 　u≤ 0 2 感知机的工作方式： 学习阶段——修改权值 （根据“已知的样本”对权值不断修改；――有导师学习） 工作阶段 ——计算单元变化，由响应函数给出新输入下的输出。 样本： p＝{p1， p2…… pp} Y＝{y1， y2…… yp} p Y W 学习机 W 学习算法 学习的过程，主要是修正权值Ｗ，阈值θ 感知机的学习阶段： 设有N个训练样本 当给定某个样本p的输入/输出模式对时，感知机输出单元会产生一个实际输出向量，用期望输出（样本输出）与实际输出之差来修正网络连接权值。 权值修改采用简单的误差学习规则 基本思想： 利用某个神经单元的期望输出与实际输出之间的差来调整该神经单元与上一层中相应神经单元的的连接权值，最终减小这种偏差。 即：神经单元之间连接权的变化正比于输出单元期望输出与实际的输出之差 对于所有的i和j，i＝l，2，…，s；j＝1，2，…，r，感知器修正权值公式为： 上述用来修正感知器