原创力文档- 1、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。。
- 2、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。
- 3、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)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第2章人工神经网络建模基础;内容安排
一、生物神经网络
二、人工神经网络结构
三、神经网络基本学习算法
;一、生物神经网络;2.2生物神经网络;;2.2.2生物神经元的信息处理机制;2.2.2生物神经元的信息处理机制;2.2.2生物神经元的信息处理机制;二、人工神经网络结构;人工神经网络;;;;;;(1)阈值型变换函数
(单极限函数)
符号函数（双极限形式）：
;0;2、S形函数（Sigmoid函数）
(a)单极Sigmoid函数：f(x)=1/[1+exp(-d*x)],d称为函数增益;(b)双极S形函数（Sigmoid函数）
f(x)=(1-exp(-d*x)/(1+exp(-d*x)
;(3)分段线性函数或者线性函数;1;x;2.4.1网络的拓扑结构类型
层次型结构
单纯层次网络结构(a)
（输入层不具有信息处理的能力）
从输出到输入有反馈的前向网络(b)
（输入层神经元既可接收输入，也有信息处理能力）
层内互连前向网络(c)
互连型结构
全互连型（每个节点均与所有其他节点连接）
局部互连型（每个节点只与其相邻的节点有连接)
稀疏互连型(节点只与少数相距较远的节点连接);*;*;*;*;*;2.4.2网络的信息流向类型
前馈(前向)网络：BP网络
前馈网络中某一层的输出时下一层的输入，信息的处理具有逐层传递进行的方向性，不存在反馈回路。
反馈网络：Hopfield网络
反馈网络中，所有的节点都具有信息处理能力，每个节点既可以从外界接收输入，同时又可以向外界输出
;*;*;将含有一个隐层的前向网络的第i个神经元的输出
表达式写出来，设输入层的节点数为3，隐层节点数
为5，输出层的节点数为4.;神经网络的学习
神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以使网络的输出不断接近期望的输出。这一过程称为神经网络的学习或者训练;有导师学习(有监督学习)
(1)学习过程：;通用学习规则;DonallHebb根据生理学中条件反射机理，于1949年提出的神经元连接强度变化的规则
如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强
学习信号
权值调整公式为
每个分量的调整公式为
η为学习速率
Hebb学习规则是人工神经网络学习的基本规则，是纯前馈，无导师学习规则。;;;;;;;小结
一、生物神经元
二、人工神经网络结构
三、神经网络基本学习算法
;生物神经元
生物神经元模型
突触信息处理
信息传递功能与特点
人工神经网络结构
神经网络的算法网络基本学习算法
;生物神经元模型
;生物神经元
人工神经网络结构
人工神经网络
人工神经元模型
常见响应函数
人工神经网络典型结构
神经网络基本学习算法
;生物神经元
人工神经网络结构
神经网络基本学习算法
权值确定
Hebb学习规则
离散感知器学习规则
连续感知器学习规则
文档评论（0）