1人工神經(jīng)網(wǎng)絡(luò)模型.ppt_第1頁
1人工神經(jīng)網(wǎng)絡(luò)模型.ppt_第2頁
1人工神經(jīng)網(wǎng)絡(luò)模型.ppt_第3頁
1人工神經(jīng)網(wǎng)絡(luò)模型.ppt_第4頁
1人工神經(jīng)網(wǎng)絡(luò)模型.ppt_第5頁
已閱讀5頁,還剩42頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

第一講從生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò) FromBiologicalNeuralNetworkToArtificialNeuralNetwork What sthis 大腦Brain 重量 約1200 1500g體積 約600Cm3神經(jīng)元數(shù) 約1011個(gè) 大腦的組織結(jié)構(gòu)和功能是人體器官中最為復(fù)雜的 它接受外界信號(hào) 產(chǎn)生感覺 形成意識(shí) 進(jìn)行邏輯思維 發(fā)出指令產(chǎn)生行為 掌管著人們的語言 思維 感覺 情緒 運(yùn)動(dòng)等高級(jí)活動(dòng) 雖然人們還并不完全清楚生物神經(jīng)網(wǎng)絡(luò)是如何進(jìn)行工作的 但幻想構(gòu)造一些 人工神經(jīng)元 進(jìn)而將它們以某種方式連接起來 以模擬 人腦 的某些功能 早在1943年 心理學(xué)家W McCulloch和數(shù)學(xué)家W Pitts合作 從數(shù)理邏輯的角度 提出了神經(jīng)元和神經(jīng)網(wǎng)絡(luò)最早的數(shù)學(xué)模型 MP模型 標(biāo)志著神經(jīng)網(wǎng)絡(luò)研究的開端 半個(gè)多世紀(jì)以來 神經(jīng)網(wǎng)絡(luò)經(jīng)歷了萌芽期 第一次高潮期 反思低潮期 第二次高潮期 再認(rèn)識(shí)與應(yīng)用研究期五個(gè)階段 目前 神經(jīng)網(wǎng)絡(luò)已成為涉及計(jì)算機(jī)科學(xué) 人工智能 腦神經(jīng)科學(xué) 信息科學(xué)和智能控制等多種學(xué)科和領(lǐng)域的一門新興的前沿交叉學(xué)科 生物神經(jīng)元 樹突 從細(xì)胞體延伸出象樹枝一樣向四處分散開來的的許多突起 稱之為樹突 其作用是感受其它神經(jīng)元的傳遞信號(hào) 相當(dāng)于信息的輸入通道 軸突 神經(jīng)元從細(xì)胞體伸出一根粗細(xì)均勻 表面光滑的突起 長度從幾個(gè) m到1m左右 稱為軸突 它的功能是傳出從細(xì)胞體來的神經(jīng)信息 相當(dāng)于信息的輸出通道 神經(jīng)末梢與突觸 軸突末端有許多細(xì)的分枝 稱之為神經(jīng)末梢 每一條神經(jīng)末梢可以與其它神經(jīng)元連接 其連接的末端稱之為突觸 其功能是將軸突傳出來的信息傳給其它神經(jīng)細(xì)胞 相當(dāng)于信息的輸入 輸出接口 神經(jīng)細(xì)胞單元的信息 寬度和幅度都相同的脈沖串 興奮與抑制 軸突輸出的脈沖串的頻率高與低 決定神經(jīng)細(xì)胞是興奮還是抑制 興奮性的突觸可能引起下一個(gè)神經(jīng)細(xì)胞興奮 抑制性的突觸使下一個(gè)神經(jīng)細(xì)胞抑制 生物神經(jīng)元的信息傳遞與處理 膜電位 神經(jīng)細(xì)胞的細(xì)胞膜將細(xì)胞體內(nèi)外分開 從而使細(xì)胞體內(nèi)外有不同的電位 一般內(nèi)部電位比外部低 其內(nèi)外電位差稱之為膜電位 膜電位加權(quán) 突觸使神經(jīng)細(xì)胞的膜電位發(fā)生變化 且電位的變化是可以累加的 該神經(jīng)細(xì)胞膜電位是它所有突觸產(chǎn)生的電位加權(quán) 當(dāng)該神經(jīng)細(xì)胞的膜電位升高到超過一個(gè)閾值時(shí) 就會(huì)產(chǎn)生一個(gè)脈沖 從而總和的膜電位直接影響該神經(jīng)細(xì)胞興奮發(fā)放的脈沖數(shù) 突觸延遲 突觸傳遞信息需要一定的延遲 對(duì)溫血?jiǎng)游?延遲時(shí)間為0 3 1 0ms 生物神經(jīng)元的信息傳遞與處理示意圖 甲 這樣便宜就有水用了 乙 想得美 交了錢別人才放水的 生物神經(jīng)元的基本特征 神經(jīng)元具有感知外界信息或其它神經(jīng)元信息的輸入端 神經(jīng)元具有向外界或其它神經(jīng)元輸出信息的輸出端 神經(jīng)元之間的連接強(qiáng)度 連接權(quán) 決定信號(hào)傳遞的強(qiáng)弱 而且聯(lián)接強(qiáng)度是可以隨訓(xùn)練改變的 信號(hào)可以是起刺激作用的 也可以是起抑制作用的 即連接權(quán)的值 權(quán)值 可正 可負(fù) 每個(gè)神經(jīng)元有一個(gè)閾值 神經(jīng)元可以對(duì)接受的信號(hào)進(jìn)行累積 加權(quán) 神經(jīng)元的興奮程度 輸出值的大小 取決于其傳輸函數(shù)及其輸入 輸入信號(hào)的加權(quán)與閾值之和 人工神經(jīng)元的一般模型 甲 講了半天 人工神經(jīng)元就是一個(gè)公式 太簡單了吧 乙 還是聽聽再說 What sthis It saplane Wait Idon tknow Don taskme 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 信息的分布式存儲(chǔ)及其與信息處理的合二為一 信息的并行協(xié)同處理 具有學(xué)習(xí)能力以及自組織 自學(xué)習(xí)性 善于聯(lián)想 綜合和推廣 問題 即便是Pentium II微處理器 其時(shí)鐘頻率也高于200MHz 相反地 一個(gè)神經(jīng)元的脈沖發(fā)放率典型值僅僅在100Hz的范圍內(nèi) 計(jì)算機(jī)要快上百萬倍 但為何大腦能夠瞬間完成對(duì)飛機(jī)圖像的識(shí)別 計(jì)算機(jī)反而對(duì)此的反應(yīng)卻如此遲鈍呢 為什么100天的小孩沒有成人一樣的識(shí)別能力呢 人工神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu) 簡單公式中的復(fù)雜問題 人工神經(jīng)網(wǎng)絡(luò)的分布式存儲(chǔ)是如何實(shí)現(xiàn)的 信息分布存儲(chǔ)在眾多神經(jīng)元的權(quán)值和閾值中 神經(jīng)元的權(quán)值和閾值是如何確定的 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練 神經(jīng)元的傳輸函數(shù)代表什么含義 它對(duì)神經(jīng)元和神經(jīng)網(wǎng)絡(luò)有什么影響 傳輸函數(shù)表示了神經(jīng)元對(duì)輸入信號(hào)加權(quán)的響應(yīng) 不同的傳輸函數(shù) 代表不同的神經(jīng)元模型 進(jìn)而影響神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 人工神經(jīng)網(wǎng)絡(luò) ANN ArtificialNeuralNetworks 是采用可物理實(shí)現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞結(jié)構(gòu)和功能的系統(tǒng) 未來的腦科學(xué)將加強(qiáng)與行為科學(xué) 認(rèn)知科學(xué)和信息科學(xué)的聯(lián)系 腦科學(xué)與信息科學(xué)及技術(shù)的結(jié)合將引起以腦為中心的科技革命 智能革命 ANN定義 從生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)的探索 雖然經(jīng)歷了半個(gè)多世紀(jì)的里程 但探究大腦 思維 計(jì)算之間的關(guān)系還剛剛開始 關(guān)于腦的計(jì)算原理及其復(fù)雜性 關(guān)于學(xué)習(xí) 聯(lián)想和記憶過程的機(jī)理及其模擬等方面的研究道路還十分漫長 第二講人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用與仿真 Applications SimulationofArtificialNeuralNetworkModels 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域極其廣泛 比較擅長的應(yīng)用領(lǐng)域包括 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 模式識(shí)別人工智能控制工程優(yōu)化計(jì)算和聯(lián)想記憶信號(hào)處理 甲 神經(jīng)網(wǎng)絡(luò)真那么神奇嗎 乙 我聽說 在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中 從不同的角度對(duì)生物神經(jīng)系統(tǒng)不同層次的描述和模擬 提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型 其中具有代表性的網(wǎng)絡(luò)模型有 人工神經(jīng)網(wǎng)絡(luò)的模型 感知器線性神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)徑向基函數(shù)網(wǎng)絡(luò)自組織網(wǎng)絡(luò)反饋網(wǎng)絡(luò) 關(guān)于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)技術(shù) 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)技術(shù)可以分為全硬件實(shí)現(xiàn)和虛擬實(shí)現(xiàn)兩個(gè)方面 全硬件實(shí)現(xiàn)研究的核心是神經(jīng)器件的構(gòu)造 其主要研究方向有 電子神經(jīng)芯片的研究光學(xué)神經(jīng)芯片的研究分子 生物神經(jīng)芯片的研究 虛擬實(shí)現(xiàn)主要分為以下幾類 傳統(tǒng)計(jì)算機(jī)上的軟件仿真神經(jīng)計(jì)算的多機(jī)并行實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)加速器 神經(jīng)網(wǎng)絡(luò)的軟件仿真系統(tǒng) 基于傳統(tǒng)計(jì)算機(jī)的軟件仿真系統(tǒng) 通用性強(qiáng) 為用戶研究和設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)提供了很好的開發(fā)平臺(tái) 因而被迅速推廣 最有代表性的神經(jīng)計(jì)算商用軟件有 RCS 1987年 Rochester大學(xué)研制P3 1986年 Ziper Rabin研制MIRRORS 1988年 Maryland大學(xué)研制NeuralNetworks 1989年 NeuralWare公司GKD 1990年 國防科技大學(xué)研制 MATLAB及其工具箱 MATLAB是MathWorks公司于1982年推出的一套高性能的數(shù)值計(jì)算的可視化軟件 意為 矩陣實(shí)驗(yàn)室 MATrixLABoratory 其強(qiáng)大的擴(kuò)展功能為各個(gè)領(lǐng)域的應(yīng)用提供了基礎(chǔ) 由各領(lǐng)域的專家學(xué)者相繼推出了各種MATLAB工具箱 目前主要的工具箱包括 CommunicationsToolboxControlSystemToolboxFilterDesignToolboxFuzzyLogicToolboxImageProcessingToolbox MATLAB及其工具箱 目前主要的工具箱 續(xù) InstrumentControlToolboxMappingToolboxModel BasedCalibrationToolboxPredictiveControlToolboxNeuralNetworkToolboxOptimizationToolboxDifferentialEquationToolboxSignalProcessingToolboxSystemIdentificationVirtualRealityToolboxWaveletToolbox MATLABNeuralNetworkToolbox NeuralNetworkToolbox4 0 2包含了170多種工具箱函數(shù) 另外還提供了神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)仿真環(huán)境SIMULINK 允許用戶自定義神經(jīng)網(wǎng)絡(luò)和自定義網(wǎng)絡(luò)函數(shù) 在MATLAB神經(jīng)網(wǎng)絡(luò)仿真程序的設(shè)計(jì)中 主要用到以下幾個(gè)方面的NNToolbox函數(shù) 神經(jīng)網(wǎng)絡(luò)的創(chuàng)建 設(shè)計(jì)函數(shù)初始化函數(shù)訓(xùn)練 學(xué)習(xí)函數(shù)網(wǎng)絡(luò)仿真函數(shù) 感知器模型 感知器神經(jīng)元模型 單層感知器神經(jīng)網(wǎng)絡(luò)模型 感知器神經(jīng)網(wǎng)絡(luò)特點(diǎn) 閾值型傳輸函數(shù) 單層網(wǎng)絡(luò) 只適于解決線性可分問題 甲 什么是感知器 乙 我在網(wǎng)上看見 感知器神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 訓(xùn)練 權(quán)值和閾值的調(diào)整過程被稱為 訓(xùn)練 學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中 便學(xué)到了把輸入空間影射到輸出空間的能力 稱之為神經(jīng)網(wǎng)絡(luò)的 學(xué)習(xí) 調(diào)整權(quán)值和閾值的算法稱之為學(xué)習(xí)規(guī)則或訓(xùn)練算法 感知器的學(xué)習(xí)規(guī)則 感知器的學(xué)習(xí)是一種有教師學(xué)習(xí)方式 其學(xué)習(xí)規(guī)則稱之為 規(guī)則 若以t表示目標(biāo)輸出 a表示實(shí)際輸出 則 網(wǎng)絡(luò)訓(xùn)練的目的 就是要使t a 當(dāng)e 0時(shí) 得到最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值 當(dāng)e 0時(shí) 說明得到的實(shí)際輸出小于目標(biāo)輸出 應(yīng)增加網(wǎng)絡(luò)權(quán)值和閾值 當(dāng)e 0時(shí) 說明得到的實(shí)際輸出大于目標(biāo)輸出 應(yīng)減小網(wǎng)絡(luò)權(quán)值和閾值 感知器的學(xué)習(xí)規(guī)則 從 規(guī)則中可以看出 感知器神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 需要提供訓(xùn)練樣本集 每個(gè)樣本由神經(jīng)網(wǎng)絡(luò)的輸入向量和目標(biāo)向量對(duì)構(gòu)成 n個(gè)訓(xùn)練樣本構(gòu)成的訓(xùn)練樣本集為 每一步學(xué)習(xí)過程 感知器神經(jīng)元的權(quán)值閾值進(jìn)行調(diào)整的算法可表示為 感知器的MATLAB仿真 單層感知器的MATLAB仿真主要步驟 以newp創(chuàng)建感知器神經(jīng)網(wǎng)絡(luò)以train訓(xùn)練所創(chuàng)建的網(wǎng)絡(luò)以sim對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真 單層感知器應(yīng)用實(shí)例 設(shè)計(jì)一單層單輸出感知器神經(jīng)網(wǎng)絡(luò) 進(jìn)行二值化圖像卡片上數(shù)字0 9的奇偶分類 感知器的MATLAB仿真 問題分析從數(shù)字1和0的二值化圖像卡片可以看出 每一個(gè)圖像卡片可以分成4 3的矩形方塊 假設(shè)每個(gè)小方塊有數(shù)字的筆畫劃過 即在小方塊內(nèi)二值圖像元素的值至少有一個(gè)不為0 則記為1 否則記為0 那么圖像卡片上所有小方塊表達(dá)了有0 1二值組成的一個(gè)模式 或向量 可以作為感知器神經(jīng)網(wǎng)絡(luò)的輸入向量 如果我們?cè)O(shè)計(jì)的感知器神經(jīng)網(wǎng)絡(luò)使得網(wǎng)絡(luò)的輸出在圖像卡片上的數(shù)字為奇數(shù)時(shí)輸出為0 偶數(shù)時(shí)輸出為1 則可以完成其奇偶分類 感知器的MATLAB仿真 設(shè)計(jì)感知器神經(jīng)網(wǎng)絡(luò) 根據(jù)以上分析 按本題要求設(shè)計(jì)的感知器神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)為 網(wǎng)絡(luò)有1個(gè)輸入向量 包括12個(gè)元素 對(duì)應(yīng)圖像卡片上12個(gè)小方塊的值 輸入元素的取值范圍為 01 訓(xùn)練樣本集必須包括0 9圖像卡片樣本 為單層 單神經(jīng)元感知器神經(jīng)網(wǎng)絡(luò) 輸出是一個(gè)二值向量0或1 它的兩種不同取值分別表示分類結(jié)果的奇偶情況 所以 神經(jīng)元的傳輸函數(shù)可以取為hardlim函數(shù) 感知器的MATLAB仿真 設(shè)計(jì)的感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 感知器神經(jīng)網(wǎng)絡(luò)的MATLAB程序?qū)崿F(xiàn) 神經(jīng)網(wǎng)絡(luò)的創(chuàng)建與訓(xùn)練 神經(jīng)網(wǎng)絡(luò)的仿真 線性神經(jīng)網(wǎng)絡(luò) 線性神經(jīng)元模型 線性神經(jīng)網(wǎng)絡(luò)模型 線性神經(jīng)網(wǎng)絡(luò)特點(diǎn) 與感知器一樣 只適于解決線性可分問題 但比感知器的抗噪能力強(qiáng) 具有較廣泛的實(shí)際用途 特別是在數(shù)字信號(hào)處理方面 比如 實(shí)現(xiàn)高性能的自適應(yīng)濾波器 一般為單層 也可為多層網(wǎng)絡(luò) MADALINE 線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 線性神經(jīng)網(wǎng)絡(luò)采用均方誤差最小的學(xué)習(xí)規(guī)則 即LMS LeastMeanSquares 算法 來調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值 它是一種沿誤差的最陡下降方向?qū)η耙徊綑?quán)值向量進(jìn)行修正的 對(duì)Q個(gè)訓(xùn)練樣本構(gòu)成的訓(xùn)練樣本集為 LMS算法的基本思想是找到合適的權(quán)值和閾值 使下列均方誤差最小 線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 每一步學(xué)習(xí)過程 線性神經(jīng)元的權(quán)值閾值進(jìn)行調(diào)整的算法可表示為 式中 是決定權(quán)值和閾值的收斂速度和穩(wěn)定性參數(shù) 稱之為學(xué)習(xí)速率 學(xué)習(xí)率越大 學(xué)習(xí)的速度越快 但過大的學(xué)習(xí)率會(huì)使修正過度 造成不穩(wěn)定 反而使誤差更大 在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中 可以通過maxlinlr函數(shù)確定最大的學(xué)習(xí)率 線性神經(jīng)網(wǎng)絡(luò)的MATLAB仿真 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例 以自適應(yīng)線性網(wǎng)絡(luò)實(shí)現(xiàn)噪聲對(duì)消 問題分析利用自適應(yīng)線性網(wǎng)絡(luò)實(shí)現(xiàn)噪聲對(duì)消的原理框圖如圖所示 對(duì)消原理 MATLAB仿真程序設(shè)計(jì) 假設(shè)信號(hào)為一正弦信號(hào) 受到隨機(jī)噪聲的污染 根據(jù)以上分析 ADALINE自適應(yīng)線性神經(jīng)元的輸入向量為隨機(jī)噪聲 正弦波信號(hào)與隨機(jī)噪聲之和為ADALINE神經(jīng)元的目標(biāo)向量 輸出信號(hào)為網(wǎng)絡(luò)調(diào)整過程中的誤差信號(hào) 本例線性神經(jīng)網(wǎng)絡(luò)MATLAB仿真程序設(shè)計(jì)的主要步驟 以newlin創(chuàng)建線性神經(jīng)網(wǎng)絡(luò)構(gòu)造訓(xùn)練樣本集以adapt自適應(yīng)調(diào)整所創(chuàng)建的網(wǎng)絡(luò) 獲得網(wǎng)絡(luò)訓(xùn)練的誤差信號(hào) 即為輸出信號(hào) BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)元模型 BP神經(jīng)網(wǎng)絡(luò)特點(diǎn) 多層網(wǎng)絡(luò) 理論上 如果隱層神經(jīng)元數(shù)不加限制 兩層BP網(wǎng)絡(luò)可以完成輸入到輸出的任意函數(shù)影射 傳輸函數(shù)為非線性函數(shù) 多為logsig和tansig函數(shù) 最后一層也可為purelin函數(shù) BP網(wǎng)絡(luò)廣泛應(yīng)用最為廣泛 80 90 的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或它的變化形式 體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分 BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 標(biāo)準(zhǔn)的BP算法和LMS學(xué)習(xí)規(guī)則一樣是一種梯度下降學(xué)習(xí)算法 其權(quán)值的修正是沿著誤差性能函數(shù)梯度的反方向進(jìn)行的 針對(duì)標(biāo)準(zhǔn)BP算法存在的一些不足 出現(xiàn)了幾種基于標(biāo)準(zhǔn)BP算法的改進(jìn)算法 如變梯度算法 牛頓算法等 BP網(wǎng)絡(luò)的MATLAB仿真 BP網(wǎng)絡(luò)的應(yīng)用實(shí)例 設(shè)計(jì)基于BP神經(jīng)網(wǎng)絡(luò)的印刷體字符0 9的識(shí)別系統(tǒng) BP網(wǎng)絡(luò)的MATLAB仿真 問題分析識(shí)別的對(duì)象是印刷體數(shù)字 這里我們以畫圖工具獲得的不同字體 字號(hào)的數(shù)字0 9的BMP圖形作為原始數(shù)據(jù) 編程對(duì)其進(jìn)行預(yù)處理 獲得16 16的二值圖像 如圖所示 其二值圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入 BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì) 我們選用兩層BP網(wǎng)絡(luò) 其輸入節(jié)點(diǎn)數(shù)為16 16 256 隱層傳輸函數(shù)為logsig函數(shù) 假設(shè)采用一個(gè)輸出節(jié)點(diǎn)表示10個(gè)數(shù)字 則輸出層傳輸函數(shù)為pureline 隱層節(jié)點(diǎn)數(shù)取為25 BP網(wǎng)絡(luò)的MATLAB仿真程序設(shè)計(jì) 本例MATLAB仿真程序設(shè)計(jì)的主要步驟 構(gòu)造訓(xùn)練樣本集 并構(gòu)成訓(xùn)練所需的輸入矢量p和目標(biāo)矢量t 對(duì)原始圖像進(jìn)行預(yù)處理 創(chuàng)建和訓(xùn)練BP網(wǎng)絡(luò) 對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真 Hopfield網(wǎng)絡(luò) 離散Hopfield神經(jīng)網(wǎng)絡(luò)模型 Hopfield神經(jīng)網(wǎng)絡(luò)特點(diǎn) 引入了網(wǎng)絡(luò)能量函數(shù)概念 使網(wǎng)絡(luò)穩(wěn)定性研究有了明確的判據(jù) 善于聯(lián)想記憶

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論