神经网络综述及简单应用实例 Matlab程序清华大学.pptxVIP

神经网络综述及简单应用实例 Matlab程序清华大学;第一部分 人工神经网络简介; 以冯·诺依曼型计算机为中心的信息处理技术的高速发展，使得计算机在当今的信息化社会中起着十分重要的作用。但是，当用它来解决某些人工智能问题时却遇到了很大的困难。 例如，一个人可以很容易地识别他人的脸孔，但计算机则很难做到这一点。 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。 人工神经网络来源于对人脑实际神经网络的模拟; 人工神经网络（Artificial Neural Netwroks，简称ANN）是对人类大脑系统的一种仿真，简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。 实际上它是由大量的、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。尽管它还不是大脑的完美元缺的模型，但它可以通过学习来获取外部的知识并存贮在网络内，可以解决计算机不易处理的难题，特别是语音和图像的识别、理解、知识的处理、组合优化计算和智能控制等一系列本质上是非计算的问题。 ; 1943年,美国心理学家W.McCulloch和数学家W.Pitts在提出了一个简单的神经元模型，即MP模型。1958年，F.Rosenblatt等研制出了感知机(Perceptron）。;1. 生物神经元模型; 生物神经元模型就是一个简单的信号处理器。树突是神经元的信号输入通道，接受来自其他神经元的信息。轴突是神经元的信号输出通道。 信息的处理与传递主要发生在突触附近。神经元细胞体通过树突接受脉冲信号，通过轴突传到突触前膜。当脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质(乙酰胆碱)，使位于突触后膜的离子通道(Ion Channel)开放，产生离子流，从而在突触后膜产生正的或负的电位，称为突触后电位。; 突触有两种：兴奋性突触和抑制性突触。前者产生正突触后电位，后者产生负突触后电位。一??神经元的各树突和细胞体往往通过突触和大量的其他神经元相连接。这些突触后电位的变化，将对该神经元产生综合作用，即当这些突触后电位的总和超过某一阎值时，该神经元便被激活，并产生脉冲，而且产生的脉冲数与该电位总和值的大小有关。脉冲沿轴突向其他神经元传送，从而实现了神经元之间信息的传递。 ;◆ 连接权： ◆ 求和单元： ◆ 激励函数（响应函数） ： ;;; ◆ 阈值函数： ◆ 分段线性函数： ◆ sigmoid函数： ; ◆ 前馈型网络： ◆ 反馈型网络：; ◆ 学习期： 各计算单元状态不变，各连接线上权值通过学习来修改 ◆ 工作期： 连接权固定，计算单元状态变化，以达到某种稳定状态; ◆ 有教师学习： 外界存在一个教师，对给定的一组输入，提供应有的输出（标准答案），学习系统可根据实际输出与标准答案之间的差值来调整系统参数;◆ 无教师学习： 学习系统按照环境提供数据的某些统计规律来调节自身参数;● 考察神经元 k 在 n 时刻的输入和输出 ● 输入： ● 实际输出： ● 应有输出： ● 由误差信号构造能量函数： 其中E(.)为求期望算子 ● 求解最优化问题： ● 得出系统参数：; 通常情况下用时刻 n 的瞬时值 代替J，即求解最优化问题 由数值迭代算法（如最速下降法、模拟退火算法等），可得 其中 为学习步长; 神经学家Hebb提出的学习规则：当某一连接两端的神经元同步激活（或同为抑制）时，该连接的强度应增强，反之应减弱，数学描述如下： 其中 分别为 两端神经元的状态 最常用的一种情况是：; 对于多层网络，由于有隐层后学习比较困难，限制了多层网络的发展，BP算法的出现解决了这一困难。;下面就逐个样本学习的情况来推导BP算法 如右图，令单元 j 的净输入为 则 求 对 的梯度;其中