人工神经网络.课件.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《人工神经网络.课件.ppt》由用户(三亚风情)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工 神经网络 课件
- 资源描述:
-
1、 神经细胞与生物神经网络生物神经细胞(神经元) 人脑大约由1012个神经元组成,神经元互相连接成神经网络。 神经元是大脑处理信息的基本单元,以细胞体为主体,由许多向周围延伸的不规则树枝状纤维构成的神经细胞,其形状很像一棵枯树的枝干。它主要由细胞体、树突、轴突和突触(Synapse,又称神经键)组成。神经细胞与生物神经网络生物神经元神经细胞与生物神经网络 神经细胞神经元(neuron) 神经细胞突起 突触 轴突(输出)和树突(输入)相互联接,其接口称为突触。 神经突触是调整神经元之间相互作用的基本结构和功能单元。电信号 化学信号树突轴突神经细胞与生物神经网络 树突突触电位 轴突神经脉冲(动作电位
2、) 膜电位:神经细胞内外电位之差 20100mv 静息电位:休止膜电位 -70 mv ms20神经细胞与生物神经网络神经元的激活 当膜电位比静息电位高出约 20mv,即达到 -50mv时,神经元(细胞)被激活。表现为膜电位急剧上升,在1ms内比静息电位上升100mv,达到30mv,轴突有电流传出。然后,膜电位又急剧下降,回到静息电位。ms2030mv人工神经网络人工神经网络 (Artificial Neuron-AN) 是由大量基本处理单元(神经元)广泛互联而成的网络,是人脑的抽象、简化、模拟,反映人脑的基本特性。 作为神经元模型应具备的那些要素?人工神经网络 作为神经元模型应具备的三个要素具
3、有突触或联接 用wij表示神经元i和j之间联接强度。正、负值具有反映生物神经元时空整合功能的输入信号累加器具有一个激励函数用于限制神经元输出 激励函数将输出信号压缩(限制)在一个允许范围内,是其成为有限值。0,1或-1,1人工神经网络 人工神经元模型 x1xn表示与该神经元相连接的所有神经元的输入(出) w1wn表示与相连接神经元的突触强度(连接权) 表示神经元的(电压)阈值。 f ( )表示激励函数,单调上升函数,且取有限值 神经元电位值: 神经元的输出值:y =f(s)1x2xnx1w2wnwf ( ). .ysniiitxwfty1)()(人工神经网络 激励函数的基本作用控制输入对输出的
4、激活;对输入、输出进行函数转换;将可能无限域的输入变换成指定的有限范围内的输出。 激励函数类型阈值函数线性函数非线性函数: Sigmoid函数人工神经网络 非线性函数 Sigmoid(S型)函数 a为s函数的斜率参数。 非线性函数 S型函数:双曲正切 f(s)=tanh(s)f-as人工神经网络的类型结构分类单层前向网络多层前向网络反馈网络 互连网络人工神经网络的类型 单层前向网络拥有一层计算节点输入层输入层输出层输出层人工神经网络的类型 多层前向网络拥有一个或多个隐含层输入层输入层输出层输出层隐含层隐含层人工神经网络的类型 在人工神经网络中,权(值)是一个反映信息储存的关键量。在网络的结构和
5、激励函数确定以后,如何设计权使网络达到一定的要求,这是必不可少的部分,大多数神经网络权的设计是通过学习得到的。 学习(训练):通过神经网络所在环境的刺激作用调整网络的自由参数,使网络以一种新的方式对外部环境作出反应的过程。人工神经网络的学习 学习方法是人工神经网络研究中的核心问题。 人工神经网络连接权的确定通常有两种方法:根据具体要求:直接计算出来,如Hopfield网络作优化计算时就属于这种情况;通过学习得到的,大多数人工神经网络都用这种方法。人工神经网络的学习 Hebb学习 是Donall Hebb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
6、奋(即同时被激活),则它们之间的突触连接加强。两个神经元之间的连接权,正比于两个神经元的活动值。人工神经网络的学习jiijVVwWij是神经元xj到xi的突触权值,xj和xi分别表示神经元j和i在一段时间内的平均值。 学习速率 Hebb学习规则是人工神经网络学习的基本规则,几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形。Wij(n+1)=Wij(n)+wij(n)人工神经网络的学习 纠错学习 e(n)=d(n)-yi(n) d(n)为期望神经网络的输出; yi(n)实际输出; 目的:调整权值,使误差信号e(n)减少设代价函数(性能指标) E(n)=1/2e2(n) 反复调整突触权值
7、使代价函数达到最小或使系统达到一个稳定状态(权值稳定),完成学习过程。wij(n)= e(n)xj(n) wij神经元xj到xi的权值。 为学习速率 Wij(n+1)=Wij(n)+wij(n) 人工神经网络的特性 分布存储和容错性 信息在神经网络内的存储是按内容分布于许多神经元中,每个神经元存储多种信息的部分内容。 部分信息的丢失仍可以使完整的信息得以恢复,网络具有容错性和联想记忆功能。并行处理 各单元可以同时进行类似的处理过程,整个网络的信息处理方式是大规模并行的。人工神经网络的特性可塑性与自适应性和自组织性神经元之间的联接具有多样性,各元间的联接强度具有可塑性,相当于突触传递信息能力的变
展开阅读全文