神经网络基本原理课件课件.pptVIP

第1页，共33页，星期日，2025年，2月5日4.4神经网络的决策支持4.4.1神经网络的基本原理4.4.2神经网络的互连结构4.4.3神经网络的学习4.4.4神经网络专家系统第2页，共33页，星期日，2025年，2月5日4.5遗传算法的决策支持4.5.1遗传算法原理4.5.2遗传算法的应用第3页，共33页，星期日，2025年，2月5日4.6机器学习的决策支持4.6.1机器学习的概念4.6.2机器学习的分类第4页，共33页，星期日，2025年，2月5日4.4.1神经网络的基本原理1.神经元的数学模型1943年，由麦克洛奇和皮兹提出，简称MP模型。细胞体树突轴突……第5页，共33页，星期日，2025年，2月5日i1，i2，……in为神经元的输入量，Oi为神经元的输入,Wij为外面神经与该神经连接强度（即权），θ为阀值，f（x）为该神经元的作用函数：Oi＝f（∑WijIi－θi）i＝1，2，……，n神经元的输入计算：I＝∑WijIi－θi（i＝1，2，……，）第6页，共33页，星期日，2025年，2月5日2.神经元的作用函数：（1）阶跃函数（2）Sigmoid函数（3）高斯型函数第7页，共33页，星期日，2025年，2月5日4.4.2神经网络的互连结构(1)不含反馈的前向网络不含反馈的前向网络的结构形态。网络中的神经元分层排列，接受输入量的神经元节点组成输入层，产生输出量的神经元节点组成输出层，中间层亦称为隐层，可以有若干层隐层。每一层的神经元只接受前一层神经元的输入，输入向量经过各层的顺序变换后，由输出层得到输出向量。第8页，共33页，星期日，2025年，2月5日(2)从输出层到输入层有反馈的前向网络从输出层到输入层有反馈的前向网络简称为反馈神经网络。网络中的神经元也是分层排列，但是输入层神经元在学习过程中接受输出层神经元或部分输出层神经元的反馈输入。第9页，共33页，星期日，2025年，2月5日（3）层内有相互结合的前向网络每一层的神经元除接受前一层神经元的输入之外，也可接受同一层神经元的输入。通过层内神经元之间的相互结合，可以实现同层神经元之间横向的抑制或兴奋机制，从而可以限制一层内能同时动作的神经元的个数，或者实现把一层内的神经元分为若干组，每一组作为一个整体来动作。第10页，共33页，星期日，2025年，2月5日(4)相互结合型网络这种网络中任意两个神经元之间都可能有连接。在不含反馈的前向网络中，输入信号一旦通过某个神经元就将输出这个信号的变换值。但是，在相互结合型网络中，输入信号要在神经元之间反复往返传递，网络处于一种不断改变状态的动态之中。从某初态开始，经过若干次的状态变化，网络才会到达某种稳定状态，根据网络的结构和神经元的映射特性，网络还有可能进入周期振荡或其他平衡状态，如混沌状态。第11页，共33页，星期日，2025年，2月5日4.4.3神经网络的学习1．无教师学习方法基本思想：当输入的实例模式进入神经网络后，网络按预先设定的规则自动调整权值。2．有教师学习方法基本思想：对实例k的输入，由神经网络根据当前的权值分布W(k)计算网络的输出Y（W，k），把网络的计算输出Y(W，k)与实例k的期望输出Y*（k）进行比较，根据两者之间的差的某个函数的值来调整网络的权值分布，最终使差的函数值达到最小。第12页，共33页，星期日，2025年，2月5日4.4.4神经网络专家系统1.神经网络的知识表示基于神经网络的知识表示方法有以下优点：1)能够表示事物的复杂关系，如模糊因果关系。2)具有统一的知识表示形式，便于知识的组织。知识表示形式的通用性强。3)便于实现知识的自动获取。4)便于网络的知识推理。第13页，共33页，星期日，2025年，2月5日2．神经网络的知识自动获取神经网络是通过实例学习来实现知识自动获取的。在进行知识获取时，要求领域专家提供学习实例及其相应的期望解，经过网络自适应学习算法不断修改网络的权值分布，一旦网络稳定后，就把领域专家求解该问题的知识和经验(通过提供的学习实例来表示)分布到网络的互连结构及权值分布上，从而得到推理所需要的知识库。第14页，共33页，星期日，2025年，2月5日3．神经网络的知识推理与解释神经网络的知识推理有以下特点：1)同一层神经元的计算是完全可