即233倒传递类神经网路.pptVIP

第23章類神經網路?本章的學習主題? 1.類神經網路的基本概念 2.類神經網路之應用 3.倒傳遞類神經網路 4.類神經網路之運算注意事項 5.類神經網路STATISTICA軟體操作範例說明1

23.1類神經網路的基本概念一種計算系統，包括軟體與硬體，它使用大量簡單的相連人工類神經元來模仿生物神經網路的能力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其它人工類神經元取得資訊，並加以運算，再輸出其結果到外界環境或者其它人工神經元。2

23.1類神經網路的基本概念3圖23-1生物神經網路結構圖23-2人工神經元結構

23.1類神經網路的基本概念4圖23-3簡單的類神經網路

23.1類神經網路的基本概念一、類神經網路的分類(一)依學習策略分類1.監督式學習網路(supervisedlearningnetwork)2.無監督式學習網路(unsupervisedlearningnetwork)3.聯想式學習網路(associatelearningnetwork)4.最適化應用網路(optimizationapplicationnetwork)5

23.1類神經網路的基本概念6(二)依網路架構分類1.向前式架構：神經網路由神經元分層排列，形成輸入層、隱藏層、輸出層。每一層只接受前一層的輸出作為輸入，稱前向式架構。圖23-4前向式架構

23.1類神經網路的基本概念2.回饋式架構：即輸出層神經元的資訊回饋到輸入層，或層內各神經元間有連結者，或神經元不分層排列，只有一層，各神經元均可相互連結者稱回饋式架構。7圖23-5回饋式架構

23.1類神經網路的基本概念二、類神經網路運作範例類神經網路的運作範例大致上分為三種：(一)訓練範例1.監督式訓練範例：由代表範例特徵的輸入變數資料，與代範例預測或分類的目標輸出變數資料共同組成。2.無監督式訓練範例：由代表範例特徵的輸入變數資料組成。3.聯想式訓練範例：由代表範例特徵的狀態變數資料組成，該變數值既是輸入亦是輸出，以替代方式決定變數值。8未學習網路+訓練範例+學習演算已學習網路加權值加權值

23.1類神經網路的基本概念(二)測試範例測試範例為評估已學習網路之學習效果所使用的範例，其形式與訓練範例相同。該範例只使用回想演算法得到推論輸出值，之後與目標輸出值比較，以評估網路學習的精確度。(三)待推案例網路學習完後，可用網路推論待推案例的結果。待推案例沒有目標輸出變數資料。網路根據待推案例之輸入變數資料，透過回想演算法，推論出輸出值。9已學習網路+測試範例+回想演算法已學習網路評估精度已學習網路+待推案例+回想演算法待推案例推論推論輸出值

23.1類神經網路的基本概念三、類神經網路的基本架構類神經網路的基本架構可分三個層次：(一)處理單元的作用可用三個函數來說明(二)層(layer)(三)網路(network)10

23.1類神經網路的基本概念1.集成函數(summationfunction)：將輸入變數資料或前一層神經元之輸出與連接加權值加以綜合，即I=f(W,X)。常用的函數包括加權乘積和與歐氏距離等。2.作用函數(activityfunction)：將集成函數值與神經元狀態加以綜合，通常是直接使用集成函數輸出，即netjn=Ijn11(一)處理單元的作用可用三個函數來說明

123.轉換函數(transferfunction)：將作用函數輸出值轉換成處理單元輸出，即Yj=f(netj)。常用函數包括硬限函數、線性函數與非線性數函數。23.1類神經網路的基本概念

23.1類神經網路的基本概念(二)層(layer)若干個具有相同作用的處理單元集合成「層」。層本身有三個作用：1.正規化輸出：將同層中的處理單元的原始輸出值加以正規化，作為「層」的輸出。2.競爭化輸出：在同層的所有處理單元之原始輸出值中，選擇一個或數個最強值的處理單元，令其值為1，其餘為0後，再作為「層」的輸出。3.競爭化學習：在同層的所有處理單元之原始輸出值中，選擇一個或數個最強值的處理單元，網路將只調整與該單元相連的下層網路連結。13

23.1類神經網路的基本概念(三)網路(network)網路本身有兩種作用：1.學習過程(learning)：從範例中學習，以調整網路連接加權值的過程。2.回想過程(recalling)：以輸入資料決定網路輸出資料的過程。14

23.2類神經網路之應用類神經網路的應用極為