有监督和BP神经网络.pptxVIP

有监督和BP神经网络第1页/共16页 ai1ai2a inbi1bi2bimwiy1y2y nu1ukum1vix iy i●神经元网络的一般模型框架1）加法器2）线性动态系统（SISO）3）静态非线性系统︰︰第2页/共16页 式中 aij 和bik 为权系数，i,j =1,2,…,n, k= 1,2,…m. n 个加法器可以写成向量形式：—— N维列向量—— N维列向量（单元输出）——N×N维矩阵——N×M维矩阵 —— M维列向量（外部输入）—— M维常向量第3页/共16页 ▲ 线性动态系统典型的有：▲静态非线性系统 典型的有：g(x)g(x)g(x)xxx阈值函数阈值函数Sigmoid函数第4页/共16页 ∑∑（双极型）Sigmoidu1ui?iu1ui?iy iy iAdline(自适应线性网）单层感知器(Perceptron)▲不同的部件可以组成不同的网络︰︰第5页/共16页 ?Kuiy jyi离散Hopfield网y1y2y3y4u1u2u3u4第6页/共16页 ?yjyiuixi连续的Hopfield网●按学习的方法神经元网络可分成二类： 1）有监督的学习网络： 感知器 误差反传网络（BP） 小脑模型连接控制器（CMAC） 模块（组合）网络 增强学习网络第7页/共16页 ● 有监督的神经网络1）感知器网络感知器是前馈(正向传输)网络,所有节点都是线性的.● ● ●● ●●●●●● ● ●x1x2xnb1b2bm权向量W2）无监督学习网络 竞争学习和Kohonen网络 Hopfield网络 双向联想存贮器（BAM） Boltzman机第8页/共16页 输入与输出的关系：权矩阵可以按下式求解：学习规则：代表输入与输出的差别。是学习因子这学习规则即是著名的 学习规则。随着学习迭代次数k的增加， 保证网络的收敛。 ● 反传（BP）网络误差反传（学习算法）（BP）网络与感知器的主要差别在于：（BP）网络的节点是非线性的。 采用广义 学习规则。第9页/共16页 ● 反传（BP）网络的结构图 一个输入层，一个输出层，多个隐层。jpp1xp1x pnt pk t pmOp1O pnOp2隐层wj1wjn输入层隐层输出层信息流······pm第10页/共16页 隐层节点j输出和输入节点p的关系：输出节点k和隐层输出节点p的关系：学习过程：定义输出误差第11页/共16页 学习的目的是要使以下定义的误差平方和最小：因此，要求以下的偏导，最后得到二个权值改变的重要公式：第12页/共16页 初始化 加输入和期望输出计算隐层和输出层的输出迭代次数加1调节输出层和隐层的连接权值 改变训练样板训练样终止？迭代终止？BP算法的基本流程NoNoyy第13页/共16页 重要结论 具有至少一个隐层的多层前馈网络，如果隐层单元足够多，那么，利用扁平激励函数和线性多项式集成函数，可以对任意感兴趣的函数逼成到任意精度。扁平激励函数定义：f : R [0,1] 或[-1,1]是非减函数, 扁平激励函数的参数.理论证明:多层前馈网络是一种通用逼近器 第14页/共16页 讨论隐层的数目和节点的数目,何谓合适?是否收敛到全局最优?(涉及多维误差曲面的不确定性)3)收敛的速度问题。(涉及隐层节点输出的相互耦合和梯度下降法本身的缺点）第15页/共16页 感谢观看！第16页/共16页