人工神经网络ANN.ppt

下载文档

0
0
约1.31万字
约 10页
2024-12-30 发布于四川
举报
版权申诉
保障服务

人工神经网络ANN.ppt

1、本文档共10页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

*ArtificialNeuralNetworks-I*MainProblemswithANNKnowledgebasenottransparent(blackbox)(Partiallyresolved)Learningsometimesdifficult/slowLimitedstoragecapability*ArtificialNeuralNetworks-I*ANNLearningParadigmsSupervisedlearningClassificationControlFunctionapproximationAssociativememoryUnsupervisedlearningClusteringReinforcementlearningControl*ArtificialNeuralNetworks-I*SupervisedLearningTeacherpresentsANNinput-outputpairs01ANNweightsadjustedaccordingtoerror02Iterativealgorithms(e.g.Deltarule,BPrule)03shotlearning(Hopfield)04Qualityoftrainingexamplesiscritical05*ArtificialNeuralNetworks-I*LinearSeparabilityinPerceptronsPresentedbyMartinHo,EddyLi,EricWongandKittyWong-Copyright?2000*ArtificialNeuralNetworks-I*PresentedbyMartinHo,EddyLi,EricWongandKittyWong-Copyright?2000LearningLinearlySeparableFunctions(1)Whatcanthesefunctionslearn?Badnews: -Therearenotmanylinearlyseparablefunctions.Goodnews: -Thereisaperceptronalgorithmthatwilllearn anylinearlyseparablefunction,givenenough trainingexamples.*ArtificialNeuralNetworks-I*DeltaRulea.k.a.LeastMeanSquaresWidrow-Hoffiterativedeltarule(1960)GradientdescentoftheerrorsurfaceGuaranteedtofindminimumerrorconfigurationinsinglelayerANNsStochasticapproximationofdesiredbehaviourl=learningcoefficientwij=connectionfromneuronxjtoyix=(x1,x2,...,xn)ANNinputy=(y1,y2,...,yn)ANNoutputd=(d1,d2,...,dn)desiredoutput(x,d)trainingexamplee=ANNerrorw11w12w13w14y1y2y3x1x2x3x4*ArtificialNeuralNetworks-I*UnsupervisedLearningANNadaptsweightstoclusterinputdataHebbianlearningConnectionstimulus-responsestrengthened(hebbian)CompetitivelearningalgorithmsKohonenARTInputweightsadjustedtoresemblestimulus*ArtificialNeuralNetworks-I*HebbianLearningHebbpostulate(1948)