神经网络学习PPT课件.pptx

2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;可假设权是对称的，细胞的互连结构是通过改变彼此的连接权创造出来的。

20世纪40年代，神经解剖学、神经生理学、神经元的电生理过程等有了突破性进展。

在并行方式下，为使网络收敛，W应为非负定对称阵；

yj(t+1)=f(netj)

采用二层或多层感知器；

当神经元的“净输入”超过阈值时，其沿轴突发出信号；

yi：输出层神经元i的输出

yi：输出层神经元i的输出

ui是神经元i的膜电位，Ci和Ri分别是输入电容和电阻，Ii是电路外的输入电流，wij是神经元i到神经元j的连接强度，f(u)是u的非线性函数。

自组织特征映射（SOM）和自适应共振理论（ART）都属于这类神经网络模型。

SOM中的竞争学习算法

至少存在一组w1j、w2j和θ满足上述方程组，即单结点感知器对2输入的逻辑“与”问题有分类能力。

2008-2009学年第1学期

2008-2009学年第1学期

一般有wii=0，wij=wji

2008-2009学年第1学期

参考：朱大奇,史慧.

线性可分的二维样本空间

连续型Hopfield神经网络模型

2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;在并行方式下，为使网络收敛，W应为非负定对称阵；

2008-2009学年第1学期

假设每个样本含n个属性，用向量(x1,x2,…,xn)表示；

2008-2009学年第1学期

2008-2009学年第1学期

所求得的解可能不是最佳解，但其求解速度快。

2008-2009学年第1学期

2008-2009学年第1学期

特性函数是连续可微的，通过学习可得到超曲面来划分样本空间；

串行方式（也称异步方式）

2008-2009学年第1学期

2008-2009学年第1学期

2008-2009学年第1学期

假设每个样本含n个属性，用向量(x1,x2,…,xn)表示；

2008-2009学年第1学期

wij(t+1)=wij(t)+η(dj-yj)xi

人工神经网络的两个操作模式

在串行方式下，为使网络收敛，W应为对称阵；

“感知器”是怎么训练的呢？

存在至少一组wij和θj，使得对应两个子空间??神经元输出分别为0和1。

求隐层、输出层各结点输出;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;引入了“能量函数”概念，支持对神经网络运行稳定性进行判定；

这是神经网络的第1个学习算法；

yj(t+1)=f(netj)

yi：输出层神经元i的输出

2008-2009学年第1学期

yi：输出层神经元i的输出

学习算法用于得出神经网络中的各个参数。

学习逻辑“异或”时，有

学习的过程最终发生在神经元之间的突触部位，突触的连接强度随着突触前后神经元的活动而变化；

使用模式（usingmode）

人工神经网络的学习还有待研究。

自组织特征映射（SOM）和自适应共振理论（ART）都属于这类神经网络模型。

对于离散感知器，yj按下式计算。

它越兴奋，对周围神经元的抑制作用越强。

当神经元的“净输入”超过阈值时，其沿轴突发出信号；

在并行方式下，为使网络收敛，W应为非负定对称阵；

验证：(0,1,0)T(1,-1,-1)=-1(0,1,0)T(1,1,-1)=1

2008-2009学年第1学期

2008-2009学年第1学期

Vj可对应0至1之间的任意实数

科学出版社,2006年3月第1版.;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;2008-2009学年第1学期;200