- 1、本文档共17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)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、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。
- 7、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。
- 8、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
查看更多
§ 1. 基本的神经元及其学习规则
1.1 神经元模型
MP 模型
人工神经网络的第一个数学模型是由McCulloch 和 Pitts 建立的。该模型是基于这样一种思想:
神经细胞的工作方式是或者兴奋, 或者抑制。 基于这个思想, McCulloch 和 Pitts 在神经元模型中引
入了硬极限函数,该函数形式后来被其他神经网络(如多层感知器、离散 Hopfield 网络)采用。
由于神经元之间的信号连接强度取决于突触状态, 因此在 MP 模型中, 神经元的每个突触的活动强
度用一个固定的实数即权值模拟。 于是每个神经元模型都可以从数十个甚至数百个其他神经元接受
信息,产生神经兴奋和冲动; 同时,在其他条件不变的情况下, 不论何种刺激, 只要达到阈值以上,
就能产生一个动作电位。但如果输入总和低于阈值,则不能引起任何可见的反应。
图 1 所示为 MP 模型示意图。 x
(x1, x2 , , xn ) T 为神经元的输入, w (w1, w2 ,
, wn )T 为相
应的连接权值 ,T 为神经元的兴奋阈值,
y 为神经元的输出, y 取二值函数,即
n
1,
wi x i
y
i
1
n
0,
wi x i
i
1
T
T
图1 MP模型
单个 MP 模型可以实现与、或、与非、或非等二值逻辑运算(但不能实现异或运算) ,该模型
曾因说明了人工神经网络可通过简单的计算产生相当复杂的行为, 从而引起极大的轰动, 但它是一
种静态神经元,即结构固定,权值无法调节,因此,缺乏一个关键性的要素,即学习能力。
2.一般神经元模型
图 2 所示为一个具有 n 个输入的通用的神经元模型。
图 2 通用神经元模型
1
x (x1, x2, , xn )T 为神经元的输入, w ( w1 , w2 , , wn )T 为可调的输入权值 ,? 为偏移信号,
用于建模神经元的兴奋阈值, u(*) 为神经元的基函数,是一个多输入单输出函数 u=u(x,w; ? )。 f(*)
为神经元的激活函数(也称神经元函数、挤压函数或活化函数) , f(*) 的一般作用是对基函数输出 u
进行“挤压” : y=f(u) ,即通过非线性函数 f(*) 将 u 变换到指定范围内。
1.2 基函数 u(*) 的类型
1.线性函数: 常用于多层感知器( MLP )、 Hophield 网络等。
n
xT w
u
xj
wj
j 1
2.距离函数: 常用于径向基函数神经(
RBF )网络等。
n
u
( xj w j ) 2
x w
j 1
式中, w 常被称为基函数的中心,
u 表示输入矢量
x 与权矢量 w 之间的欧氏距离。在多维空间
中,该基函数的形状是一个以
w 为球心的超球。
3.椭圆基函数
n
w j )2
u
c j ( xj
j
1
1.3 激活函数 f(*) 的类型
1.硬极限函数: 常用于分类。
y f (u )
1, u
0 或 y f (u ) sgn( u )
1, u
0
0, u
0
1, u
0
其中 sgn(*) 为符号函数。
2.线性函数 : 常用于实现函数逼近的网络。
y = f(u) = u
3.饱和线性函数: 常用于分类。
y f (u ) 1 | u 1| | u 1|
2
2
4. Sigmoidal 函数 ,也称 S 函数: 常用于分类、函数逼近或优化。
y
1
或
1
e
f (u )
u
y f (u )
e
1 e
1
u
u
5.高斯函数: 常用于 RBF 网络。
u 2
2
y f (u ) e
1.4 神经学习算法
神经网络的学习有两种形式:有导学习和无导学习。
有导学习也称监督学习( Supervised Learning )。一般情况下,有导学习的训练样本是输入输出
对( pi , d i ), i 2,1 , n ,其中 pi 为输入样本, d i 为输出样本(期望输出,或教师信号) 。
神经网络训练的目的是: 通过调节各神经元的自由参数, 是网络产生期望的行为, 即当输入样本 pi
时,网络输出尽可能接近 d i 。
无导学习也称无监督学习( Unsupervised Learning )或自组织学习( Self-Organized Learning )。
无导学习不提供教师信号,只规定学习方式或某些规则, 具体的学习内容随系统所处环境(即输入
信号情况)而异,系统可以自动发现环境特征和规律。
不管是有导学习还是无导学习,都要通过调整神经元的自由参数(权值或阈值)实现。
输入样本: x ( x1, x2 , , xn , 1)T
当前权值: w(t) ( w1 , w2 , , wn , )T
期望输出: d
您可能关注的文档
- 2020年二级建造师《施工管理》真题与答案.docx
- 2020年江苏省考行测a类真题.docx
- 2020年管理类联考mba、mpa、mpacc数学考试综合真题与答案.docx
- 2020年经济师初级试题答案2542-484-444初级经济师稳过.docx
- 2020年山东公务员行政能力测试考试真题.docx
- 2020年下半年(小学)《综合素质》真题与答案.docx
- 2020年下半年(中学)《综合素质》真题与答案.docx
- brunnstrom各个时期的康复治疗.docx
- bec中级阅读真题解析.docx
- idc市场营销策略研究.docx
- 广东省深圳大学附属实验中学2023-2024学年高一上学期期中考试数学试卷含答案.pdf
- 安徽省江淮十校2024届高三第二次联考语文试题及答案解析.docx
- 2024江苏扬州重点学校九上期中考试语文试卷及答案.docx
- 北京市朝阳区2023—2024学年高三上学期期中质量检测语文试题及答案解析.docx
- 山东省潍坊市2024届高三期中语文试题及参考答案.docx
- 数控机床电气线路装调 第3版 课件 项目3、4 伺服参数的设定与调整、PMC的硬件连接与地址设定.pptx
- 某公司员工胜任力素质模型手册.pptx
- 国内各行业外语需求与测评研究报告.pdf
- 微吼混合型经销商大会解策划指南.pdf
- 2023腾讯全球数字生态大会:腾讯金融云生态策略与实践.pdf
文档评论(0)