人工神经网络理论及应用.精品课件.pptVIP

主要内容神经元数学模型感知器多层前馈网络与BP算法※BP算法评述MP神经元模型（a）神经元数学模型设则作用函数神经元数学模型：向量描述输入有时也记为u设w0=-θ,x0=1,则神经元模型又可记为：神经元数学模型——作用函数优点：1.无限次可微；2.导数形式简单※β=1β=2神经元数学模型——作用函数β=1β=23．对称型阶跃函数神经元数学模型——作用函数神经网络(前馈式)结构单个神经元单层神经元多层神经元:输入层，输出层，隐含层u1u21y11w1y22wy三层神经元学习过程就是调整权值的过程。Hebb规则按照Hebb学习规则，神经网络调整权值wij原则：若第i与第j个神经元同时处于兴奋状态，则它们间的联接应加强，即：这和“条件反射”学说一致，并已得到证实。?Hebb学习规则的相关假设，是许多学习规则的基础。包含感知层，连接层和反应层。感知器(感知机)感知层：接受二值输入；连接层：根据学习规则不断调整权值输出层：取为对称型阶跃函数原始感知器由单个神经元组成，改进模型可由单层或多层神经元构成。单层感知器学习算法单层感知器用于两类模式分类时相当于在高维样本空间中，用一个超平面将两类样本分开。已证明若输入的两类模式是线性可分集合（指存在一个超平面能将其分开），则算法一定收敛。局限性若输入模式为线性不可分集合，网络的学习算法不收敛，不能进行正确分类。线性可分集合(1)二维平面上的两类模式，见表。使用单个感知器分类线性可分集合二维平面上的两类模式——异或（XOR）问题，见表。二维平面中不存在一条直线，将输入模式分为两类，此输入模式称线性不可分集合.可见：单层感知器不能解决异或问题。线性不可分集合多层感知器u1u2w1w2y因此得到多层感知器(续)三层感知器解决异或问题三层感知器可识别任一凸多边形或无界的凸区域。

更多层感知器网络，可识别更为复杂的图形。

多层感知器逼近能力多层前馈网络与BP学习算法多层前馈网络的反向传播（BP）学习算法，简称BP算法，是有导师的学习，它是梯度下降法在多层前馈网中的应用。网络结构见图，u、y是网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层，也可多层（图中是单隐层），前层至后层节点通过权联接。由于用BP学习算法，所以常称BP神经网络。BP学习算法已知网络的输入/输出样本，即导师信号。BP学习算法由正向传播和反向传播组成：正向传播是输入信号从输入层经隐层，传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。反向传播是将误差(样本输出与网络输出之差）按原联接通路反向计算，由梯度下降法调整各层节点的权值和阈值，使误差减小。正向传播反向传播BP学习算法基本思想设算法的输入输出样本(导师信号)为 {u1,t1},{u2,t2},…{uQ,tQ}即共Q个样本。或记为{uq,tq},q=1,…Q网络训练的目的，是使对每一个输入样本，调整网络参数，使输出均方误差最小化。考虑迭代算法，设初始权值为w0,k时刻权值为wk,则使用泰勒级数展开，有：问题：如何选择，使J最小？BP学习算法基本思想(续)最直接的方法就是选择这样每一步都能保证，从而使J最终可收敛到最小。这就是梯度下降算法，也是BP学习算法的基本思想。设置初始权系数w0为较小的随机非零值；给定输入/输出样本对，计算网络输出,完成前向传播计算目标函数J。如Jε,训练成功，退出；否则转入④反向传播计算由输出层，按梯度下降法将误差反向传播，逐层调整权值。BP学习算法步骤所有加黑斜体表示向量；非黑体为标量；右上角数字表示层数；BP网络输入u为n维，输出为m维；为方便观察，有时相乘关系用.表示；BP学习算法步骤：推导准备考虑三层神经网络。对于当前样本，期望输出为t,输入为u隐含层输出：对于第i个神经元，BP学习算法步骤：前向传播选取为LogSigmoid函数输出层：BP学习算法步骤：计算误差