人工神經(jīng)網(wǎng)絡(luò)

1、關(guān)于人工神經(jīng)網(wǎng)絡(luò)第一張，PPT共八十六頁，創(chuàng)作于2022年6月2人工神經(jīng)網(wǎng)絡(luò)的進展初創(chuàng)階段（二十世紀四十年代至六十年代）: 1943年，美國心理學(xué)家W. S. Mcculloch和數(shù)理邏輯學(xué)家 和數(shù)理邏輯學(xué)家W. Pitts 提出了神經(jīng)元的數(shù)學(xué)模型，即MP（ Mcculloch-Pitts ）模型以數(shù)學(xué)邏輯為研究手段，探討了客觀事件在神經(jīng)網(wǎng)絡(luò)的形式問題1960年，威德羅和霍夫率先把神經(jīng)網(wǎng)絡(luò)用于自動控制研究。過渡階段（二十世紀六十年代初至七十年代）M. Minsky和S. Papert于1969 年出版Perceptron Perceptron從理論上證明了以單層感知機為代表的網(wǎng)絡(luò)系統(tǒng)在某些能力

2、方面的局限性。 60年代末期至 80年代中期，神經(jīng)網(wǎng)絡(luò)控制與神經(jīng)網(wǎng)絡(luò)進入低潮第二張，PPT共八十六頁，創(chuàng)作于2022年6月3人工神經(jīng)網(wǎng)絡(luò)的進展(續(xù))高潮階段（二十世紀八十年代）1982和1984年，美國加州理工學(xué)院的生物物理學(xué)J. J. Hopfield在美國科學(xué)院院刊發(fā)表的兩 篇文章，有力地推動了人工神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用，并引發(fā)了研究神經(jīng)網(wǎng)絡(luò)的一次熱潮。80年代后期以來，隨著人工神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇和發(fā)展，對神經(jīng)網(wǎng)絡(luò)控制的研究也十分活躍。研究進展主要在神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制和模糊神經(jīng)網(wǎng)絡(luò)控制及其在機器人控制中的應(yīng)用上。平穩(wěn)發(fā)展階段（二十世紀九十年代以后）和相關(guān)學(xué)科交叉融合第三張，PPT共八十六頁，

3、創(chuàng)作于2022年6月4 ANN 人工神經(jīng)網(wǎng)絡(luò)概述基本原理前向型神經(jīng)網(wǎng)絡(luò)自組織競爭神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的應(yīng)用與人工智能原理的結(jié)合BP神經(jīng)網(wǎng)絡(luò)第四張，PPT共八十六頁，創(chuàng)作于2022年6月5概述什么叫人工神經(jīng)網(wǎng)絡(luò)采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細胞的結(jié)構(gòu)和功能的系統(tǒng)。為什么要研究神經(jīng)網(wǎng)絡(luò)用計算機代替人的腦力勞動。 計算機速度為納秒級，人腦細胞反應(yīng)時間是毫秒級。而計算機不如人。 長期以來人類的夢想，機器既能超越人的計算能力，又有類似于人的識別、分析、聯(lián)想等能力。第五張，PPT共八十六頁，創(chuàng)作于2022年6月6概述人工智能與神經(jīng)網(wǎng)絡(luò)共同之處：研究怎樣使用計算機來模仿人腦工作過程，學(xué)習(xí)實踐再學(xué)習(xí)再實踐 。

4、不同之處：人工智能研究人腦的推理、學(xué)習(xí)、思考、規(guī)劃等思維活動，解決需人類專家才能處理的復(fù)雜問題。神經(jīng)網(wǎng)絡(luò)企圖闡明人腦結(jié)構(gòu)及其功能，以及一些相關(guān)學(xué)習(xí)、聯(lián)想記憶的基本規(guī)則（聯(lián)想、概括、并行搜索、學(xué)習(xí)和靈活性）第六張，PPT共八十六頁，創(chuàng)作于2022年6月7例如：人工智能專家系統(tǒng)是制造一個專家，幾十年難以培養(yǎng)的專家。神經(jīng)網(wǎng)絡(luò)是制造一個嬰兒，一個幼兒，一個可以學(xué)習(xí)，不斷完善，從一些自然知識中汲取智慧的生命成長過程。 同樣是模仿人腦，但所考慮的角度不同。成年人和嬰兒學(xué)習(xí)過程不一樣第七張，PPT共八十六頁，創(chuàng)作于2022年6月8概述第八張，PPT共八十六頁，創(chuàng)作于2022年6月9 ANN 人工神經(jīng)網(wǎng)絡(luò)概述

5、基本原理前向型神經(jīng)網(wǎng)絡(luò)自組織競爭神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的應(yīng)用與人工智能原理的結(jié)合BP神經(jīng)網(wǎng)絡(luò)第九張，PPT共八十六頁，創(chuàng)作于2022年6月10基本原理第十張，PPT共八十六頁，創(chuàng)作于2022年6月11第十一張，PPT共八十六頁，創(chuàng)作于2022年6月12第十二張，PPT共八十六頁，創(chuàng)作于2022年6月13生物神經(jīng)元第十三張，PPT共八十六頁，創(chuàng)作于2022年6月14神經(jīng)元由細胞體、樹突和軸突組成。細胞體是神經(jīng)元的主體,它由細胞核、細胞質(zhì)和細胞膜三部分構(gòu)成.從細胞體向外延伸出許多突起,其中大部分突起呈樹狀,稱為樹突.樹突起感受作用,接受來自其他神經(jīng)元的傳遞信號. 由細胞體伸出的一條最長的突起,用來傳出細

6、胞體產(chǎn)生的輸出信號,稱之為軸突;軸突末端形成許多細的分枝,叫做神經(jīng)末梢;每一條神經(jīng)末梢可以與其他神經(jīng)元形成功能性接觸,該接觸部位稱為突觸。所謂功能性接觸是指非永久性接觸,它是神經(jīng)元之間信息傳遞的奧秘之處。第十四張，PPT共八十六頁，創(chuàng)作于2022年6月15一個神經(jīng)元把來自不同樹突的興奮性或抑制性輸入信號(突觸后膜電位)累加求和的過程，稱為整合?？紤]到輸入信號的影響要持續(xù)一段時間(毫秒級),因此,神經(jīng)元的整合功能是一種時空整合。當神經(jīng)元的時空整合產(chǎn)生的膜電位超過閾值電位時,神經(jīng)元處于興奮狀態(tài),產(chǎn)生興奮性電脈沖,并經(jīng)軸突輸出;否則,無電脈沖產(chǎn)生,處于抑制狀態(tài)。第十五張，PPT共八十六頁，創(chuàng)作于20

7、22年6月16圖2 一種簡化神經(jīng)元結(jié)構(gòu) 第十六張，PPT共八十六頁，創(chuàng)作于2022年6月17人工神經(jīng)元模型每一個細胞處于兩種狀態(tài)。突觸聯(lián)接有強度。多輸入單輸出。實質(zhì)上傳播的是脈沖信號，信號的強弱與脈沖頻率成正比。 圖3 人工神經(jīng)元的結(jié)構(gòu)模型第十七張，PPT共八十六頁，創(chuàng)作于2022年6月18一般地,人工神經(jīng)元的結(jié)構(gòu)模型如圖3所示。它是一個多輸入單輸出的非線性閾值器件。其中 x1，x2，xn表示神經(jīng)元的n個輸入信號量； w1，w2，wn表示對應(yīng)輸入的權(quán)值,它表示各信號源神經(jīng)元與該神經(jīng)元的連接強度； U表示神經(jīng)元的輸入總和,它相應(yīng)于生物神經(jīng)細胞的膜電位,稱為激活函數(shù);y為神經(jīng)元的輸出;表示神經(jīng)元的

8、閾值。第十八張，PPT共八十六頁，創(chuàng)作于2022年6月19于是，人工神經(jīng)元的輸入輸出關(guān)系可描述為： 函數(shù)y=f(U)稱為特性函數(shù)(亦稱作用、傳遞、激活、活化、轉(zhuǎn)移函數(shù))。特性函數(shù)可以看作是神經(jīng)元的數(shù)學(xué)模型。第十九張，PPT共八十六頁，創(chuàng)作于2022年6月20 1. 閾值型 2. S型 這類函數(shù)的輸入輸出特性多采用指數(shù)、對數(shù)或雙曲正切等S型函數(shù)表示。例如 S型特性函數(shù)反映了神經(jīng)元的非線性輸出特性。 常見的特性函數(shù)有以下幾種:第二十張，PPT共八十六頁，創(chuàng)作于2022年6月21 3.分段線性型神經(jīng)元的輸入輸出特性滿足一定的區(qū)間線性關(guān)系,其特性函數(shù)表達為 式中，K、Ak均表示常量。 第二十一張，PP

9、T共八十六頁，創(chuàng)作于2022年6月22人工神經(jīng)元模型以上三種特性函數(shù)的圖像依次如下圖中的(a)、(b)、(c)所示神經(jīng)細胞的輸出對輸入的反映。典型的特性函數(shù)是非線性的。 第二十二張，PPT共八十六頁，創(chuàng)作于2022年6月23基本原理網(wǎng)絡(luò)結(jié)構(gòu)人腦神經(jīng)網(wǎng)絡(luò)：人腦中約有億個神經(jīng)細胞根據(jù)Stubbz的估計這些細胞被安排在約個主要模塊內(nèi)，每個模塊上有上百個神經(jīng)網(wǎng)絡(luò)，每個網(wǎng)絡(luò)約有萬個神經(jīng)細胞。 如果將多個神經(jīng)元按某種的拓撲結(jié)構(gòu)連接起來，就構(gòu)成了神經(jīng)網(wǎng)絡(luò)。 根據(jù)連接的拓撲結(jié)構(gòu)不同，神經(jīng)網(wǎng)絡(luò)可分為四大類：分層前向網(wǎng)絡(luò)、反饋前向網(wǎng)絡(luò)、互連前向網(wǎng)絡(luò)、廣泛互連網(wǎng)絡(luò)。 第二十三張，PPT共八十六頁，創(chuàng)作于2022年6

10、月24基本原理網(wǎng)絡(luò)模型分層前向網(wǎng)絡(luò)：每層只與前層相聯(lián)接 網(wǎng)絡(luò)由若干層神經(jīng)元組成，一般有輸入層、中間層（又稱隱層，可有一層或多層）和輸出層，各層順序連接；且信息嚴格地按照從輸入層進，經(jīng)過中間層，從輸出層出的方向流動。 第二十四張，PPT共八十六頁，創(chuàng)作于2022年6月25基本原理網(wǎng)絡(luò)模型反饋前向網(wǎng)絡(luò)：輸出層上存在一個反饋回路，將信號反饋到輸入層。而網(wǎng)絡(luò)本身還是前向型的。 反饋的結(jié)果形成封閉環(huán)路，具有反饋的單元稱為隱單元，其輸出稱為內(nèi)部輸出。 第二十五張，PPT共八十六頁，創(chuàng)作于2022年6月26基本原理網(wǎng)絡(luò)模型互連前向網(wǎng)絡(luò)：外部看還是一個前向網(wǎng)絡(luò)，內(nèi)部有很多自組織網(wǎng)絡(luò)在層內(nèi)互連著。 同一層內(nèi)單元

11、的相互連接使它們之間有彼此牽制作用。第二十六張，PPT共八十六頁，創(chuàng)作于2022年6月27基本原理網(wǎng)絡(luò)模型廣泛互連網(wǎng)絡(luò)：所有計算單元之間都有連接，即網(wǎng)絡(luò)中任意兩個神經(jīng)元之間都可以或可能是可達的。如：Hopfield網(wǎng)絡(luò) 、波爾茨曼機模型反饋型局部連接網(wǎng)絡(luò)：特例，每個神經(jīng)元的輸出只與其周圍的神經(jīng)元相連，形成反饋網(wǎng)絡(luò)。 第二十七張，PPT共八十六頁，創(chuàng)作于2022年6月28基本原理 網(wǎng)絡(luò)分類分類前向型（前饋型）；反饋型；自組織競爭；隨機網(wǎng)絡(luò)其它第二十八張，PPT共八十六頁，創(chuàng)作于2022年6月29 具體來講，神經(jīng)網(wǎng)絡(luò)至少可以實現(xiàn)如下功能：數(shù)學(xué)上的映射逼近。通過一組映射樣本(x1，y1)(x2，y2

12、)，(xn，yn)，網(wǎng)絡(luò)以自組織方式尋找輸入與輸出之間的映射關(guān)系：yi=f(xi)。數(shù)據(jù)聚類、壓縮。通過自組織方式對所選輸入模式聚類。 聯(lián)想記憶。實現(xiàn)模式完善、恢復(fù)，相關(guān)模式的相互回憶等。 優(yōu)化計算和組合優(yōu)化問題求解。利用神經(jīng)網(wǎng)絡(luò)的漸進穩(wěn)定態(tài)，特別是反饋網(wǎng)絡(luò)的穩(wěn)定平衡態(tài)，進行優(yōu)化計算或求解組合優(yōu)化問題的近似最優(yōu)解。 第二十九張，PPT共八十六頁，創(chuàng)作于2022年6月30模式分類?，F(xiàn)有的大多數(shù)神經(jīng)網(wǎng)絡(luò)模型都有這種分類能力。 概率密度函數(shù)的估計。根據(jù)給定的概率密度函數(shù)，通過自組織網(wǎng)絡(luò)來響應(yīng)在空間Rn中服從這一概率分布的一組向量樣本X1，X2，Xk。 第三十張，PPT共八十六頁，創(chuàng)作于2022年6月

13、31基本原理基本屬性基本屬性：非線性：自然界的普遍特性大腦的智慧就是一種非線性現(xiàn)象人工神經(jīng)元處于激活或抑制兩種不同的狀態(tài)，在數(shù)學(xué)上表現(xiàn)為一種非線性。 非局域性：一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定通過單元之間的大量連接模擬大腦的非局域性聯(lián)想記憶是非局域性的典型例子。 第三十一張，PPT共八十六頁，創(chuàng)作于2022年6月32基本原理 基本屬性非定常性人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力神經(jīng)網(wǎng)絡(luò)不但處理的信息有各種各樣，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化經(jīng)常采用迭代過程描寫動力系

14、統(tǒng)的演化過程。 非凸性：系統(tǒng)演化的多樣性一個系統(tǒng)的演化方向，在一定條件下，將取決于某個特定的狀態(tài)函數(shù)，如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。 第三十二張，PPT共八十六頁，創(chuàng)作于2022年6月33基本原理優(yōu)缺點評價優(yōu)點：并行性；分布存儲；容錯性；學(xué)習(xí)能力 缺點：不適合高精度計算；學(xué)習(xí)問題沒有根本解決，慢；目前沒有完整的設(shè)計方法，經(jīng)驗參數(shù)太多。 第三十三張，PPT共八十六頁，創(chuàng)作于2022年6月34神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)學(xué)習(xí)(亦稱訓(xùn)練)是神經(jīng)網(wǎng)絡(luò)的最重要特征之一。神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí),改變其內(nèi)部狀態(tài),使輸入輸出呈現(xiàn)

15、出某種規(guī)律性。網(wǎng)絡(luò)學(xué)習(xí)一般是利用一組稱為樣本的數(shù)據(jù),作為網(wǎng)絡(luò)的輸入(和輸出),網(wǎng)絡(luò)按照一定的訓(xùn)練規(guī)則(又稱學(xué)習(xí)規(guī)則或?qū)W習(xí)算法)自動調(diào)節(jié)神經(jīng)元之間的連接強度或拓撲結(jié)構(gòu),當網(wǎng)絡(luò)的實際輸出滿足期望的要求,或者趨于穩(wěn)定時,則認為學(xué)習(xí)成功。第三十四張，PPT共八十六頁，創(chuàng)作于2022年6月35神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)1.學(xué)習(xí)規(guī)則 權(quán)值修正學(xué)派認為：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是不斷調(diào)整網(wǎng)絡(luò)的連接權(quán)值，以獲得期望的輸出的過程。所以，學(xué)習(xí)規(guī)則就是權(quán)值修正規(guī)則。2.學(xué)習(xí)方法分類 從不同角度考慮，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法有不同的分類。表9.1列出了常見的幾種分類情況。 第三十五張，PPT共八十六頁，創(chuàng)作于2022年6月36神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)表

16、1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法的常見分類 第三十六張，PPT共八十六頁，創(chuàng)作于2022年6月37 ANN 人工神經(jīng)網(wǎng)絡(luò)概述基本原理前向型神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)自組織競爭神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的應(yīng)用與人工智能原理的結(jié)合第三十七張，PPT共八十六頁，創(chuàng)作于2022年6月38前向型神經(jīng)網(wǎng)絡(luò)概述最初稱之為感知器。應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型，最要原因是有BP學(xué)習(xí)方法。前向網(wǎng)絡(luò)結(jié)構(gòu)是分層的，信息只能從下一層單元傳遞到相應(yīng)的上一層單元。上層單元與下層所有單元相聯(lián)接特性函數(shù)可以是線性閾值的。 第三十八張，PPT共八十六頁，創(chuàng)作于2022年6月39前向型神經(jīng)網(wǎng)絡(luò)單層感知器第三十九張，PPT共八十六頁，創(chuàng)作于2022年6月4

17、0前向型神經(jīng)網(wǎng)絡(luò)基本原理和結(jié)構(gòu)極其簡單在實際應(yīng)用中很少出現(xiàn)采用階躍函數(shù)作為特性函數(shù)維空間可以明顯表現(xiàn)其分類功能，但Minsky等揭示的致命弱點也一目了然。關(guān)鍵是學(xué)習(xí)算法及網(wǎng)絡(luò)設(shè)計方法輸出yi等于：(1)其中第四十張，PPT共八十六頁，創(chuàng)作于2022年6月41前向型神經(jīng)網(wǎng)絡(luò)單層感知器分類方法：如果輸入x有k個樣本，xp, p=1, 2, , k, xRn當將這些樣本分別輸入到單輸出的感知器中，在一定的和下，輸出有兩種可能+1或-1。把樣本xp看作為在n維狀態(tài)空間中的一個矢量，則k個樣本為輸入空間的k個矢量前向神經(jīng)網(wǎng)絡(luò)就是將n維空間分為SA、SB兩個子空間，其分界線為n-1維的超平面。即用一個單輸

18、出的感知器通過調(diào)整參數(shù)及來達到k個樣本的正確劃分。 第四十一張，PPT共八十六頁，創(chuàng)作于2022年6月42前向型神經(jīng)網(wǎng)單層感知器則存在一組權(quán)值wij使得公式(1)滿足: 稱樣本集為線性可分的，否則為線性不可分的。 第四十二張，PPT共八十六頁，創(chuàng)作于2022年6月43前向型神經(jīng)網(wǎng)單層感知器如：2維空間希望找到一根直線，把A, B兩類樣本分開，其分界線為: 解有無數(shù)個。 單層感知器只能解決線性可分類的樣本的分類問題。如樣本不能用一個超平面分開，就會產(chǎn)生當年Minsky等提出的不可分問題如：異或問題。第四十三張，PPT共八十六頁，創(chuàng)作于2022年6月44+X1X2二維輸入感知器及其在狀態(tài)空間中的劃

19、分 第四十四張，PPT共八十六頁，創(chuàng)作于2022年6月45前向型神經(jīng)網(wǎng)絡(luò)多層感知器多層感知器 多層感知器的輸入輸出關(guān)系與單層感知器完全相同。前一層的輸出是下一層的輸入。也被稱為BP網(wǎng)絡(luò)。第四十五張，PPT共八十六頁，創(chuàng)作于2022年6月46前向型神經(jīng)網(wǎng)絡(luò)多層感知器多層感知器 采用BP算法學(xué)習(xí)時要求傳遞函數(shù)為有界連續(xù)可微函數(shù)如sigmoid函數(shù)。因此，網(wǎng)絡(luò)可以用一個連續(xù)的超曲面（而不僅僅是一個超平面）來完成劃分輸入樣本空間的功能。先求誤差，用梯度下降的方法求誤差的傳遞。從后往前算。第四十六張，PPT共八十六頁，創(chuàng)作于2022年6月47第四十七張，PPT共八十六頁，創(chuàng)作于2022年6月48前向型神

20、經(jīng)網(wǎng)絡(luò)多層感知器多層感知器 n層網(wǎng)絡(luò)可以以n-1個超曲面構(gòu)成一個符合曲面，彌補單層感知器的缺陷?；贐P算法，依據(jù)大量樣本通過逐步調(diào)整神經(jīng)元之間的聯(lián)接權(quán)重來構(gòu)造網(wǎng)絡(luò)。理論上，多層前饋網(wǎng)絡(luò)在不考慮結(jié)果規(guī)模的前提下，可以模擬任意的輸出函數(shù)。 第四十八張，PPT共八十六頁，創(chuàng)作于2022年6月49前向型神經(jīng)網(wǎng)絡(luò)多層感知器特點：用非線性連續(xù)可微函數(shù)分類，結(jié)果為一種模糊概念。當輸出f(u)0時，其輸出不一定為，而是一個0.5(有時只是0)的值，表示所得到的概率為多少。 應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。第四十九張，PPT共八十六頁，創(chuàng)作于2022年6月50 ANN 人工神經(jīng)網(wǎng)絡(luò)概述基本原理前向型神經(jīng)網(wǎng)絡(luò)BP

21、神經(jīng)網(wǎng)絡(luò)自組織競爭神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的應(yīng)用與人工智能原理的結(jié)合第五十張，PPT共八十六頁，創(chuàng)作于2022年6月51BP 神經(jīng)網(wǎng)絡(luò)BP(BackPropagation)網(wǎng)絡(luò)即誤差反向傳播網(wǎng)絡(luò)是應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)模型。 (1)BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為分層前向網(wǎng)絡(luò)； (2)神經(jīng)元的特性函數(shù)為Sigmoid型(S型)函數(shù)，一般取為 (3)輸入為連續(xù)信號量（實數(shù)）；(4)學(xué)習(xí)方式為有導(dǎo)師學(xué)習(xí)；(5)學(xué)習(xí)算法為推廣的學(xué)習(xí)規(guī)則，稱為誤差反向傳播算法，簡稱BP學(xué)習(xí)算法。第五十一張，PPT共八十六頁，創(chuàng)作于2022年6月52BP 神經(jīng)網(wǎng)絡(luò)BP算法的基本思想： 正向傳播過程中，輸入信號從輸入層經(jīng)隱單元層傳向輸出層

22、，每一層的神經(jīng)元狀態(tài)只會影響到下一層神經(jīng)元的輸入，如果在輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播過程。將誤差信號沿原來的連接通路返回，通過修改各層神經(jīng)元的連接權(quán)值，使得輸出誤差信號達到最小。變量定義：XX為輸入向量，YY為網(wǎng)絡(luò)輸出向量；WW(1)(1)、WW(2)(2)分別為輸入層隱層、隱層輸出層的權(quán)值矩陣每層神經(jīng)元的個數(shù)為：輸入層，NN個神經(jīng)元；隱層，PP個神經(jīng)元；輸出層，MM個神經(jīng)元。第五十二張，PPT共八十六頁，創(chuàng)作于2022年6月53第五十三張，PPT共八十六頁，創(chuàng)作于2022年6月54第五十四張，PPT共八十六頁，創(chuàng)作于2022年6月55第五十五張，PPT共八十六頁，創(chuàng)作于2022年6

23、月56第五十六張，PPT共八十六頁，創(chuàng)作于2022年6月57第五十七張，PPT共八十六頁，創(chuàng)作于2022年6月58第五十八張，PPT共八十六頁，創(chuàng)作于2022年6月59第五十九張，PPT共八十六頁，創(chuàng)作于2022年6月60第六十張，PPT共八十六頁，創(chuàng)作于2022年6月61網(wǎng)絡(luò)訓(xùn)練函數(shù)function teste,bestep,testouts,wh,wo,errorCurve = nnTrain(matrices,nrows,ninputs,nhiddens1, nhiddens2,noutputs,hrates,orates,moms,epochs,options)matrices: 訓(xùn)練

24、集合的樣式，即輸入-期望輸出對。nrows: 樣本集的列數(shù)，即學(xué)習(xí)樣本的數(shù)目。ninputs, nhiddens1, nhiddens2, noutputs: 輸入層節(jié)點數(shù)；第一隱層節(jié)點數(shù)；第二隱層節(jié)點數(shù)（可以為空）；輸出層節(jié)點數(shù)。hrates, orates: 隱層、輸出層單元的學(xué)習(xí)率。moms: 訓(xùn)練過程激勵速率。epochs: 最大訓(xùn)練過程的迭代數(shù)。options: 函數(shù)使用過程的選項。第六十一張，PPT共八十六頁，創(chuàng)作于2022年6月62BP網(wǎng)絡(luò)學(xué)習(xí)舉例例：設(shè)計一個BP網(wǎng)絡(luò)，對表2所示的樣本數(shù)據(jù)進行學(xué)習(xí)，使學(xué)成的網(wǎng)絡(luò)能解決類似的模式分類問題。設(shè)網(wǎng)絡(luò)的輸入層有三個節(jié)點，隱層四個節(jié)點，輸出

25、層三個節(jié)點，拓撲結(jié)構(gòu)如下圖9所示。 表2 網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù) 輸入輸出X1 x2 x3Y1 y2 y30.3 0.8 0.10.7 0.1 0.30.6 0.6 0.61 0 00 1 0 0 0 1第六十二張，PPT共八十六頁，創(chuàng)作于2022年6月63BP網(wǎng)絡(luò)學(xué)習(xí)舉例圖 BP網(wǎng)絡(luò)舉例 第六十三張，PPT共八十六頁，創(chuàng)作于2022年6月64用樣本數(shù)據(jù)按BP算法對該網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練結(jié)束后，網(wǎng)絡(luò)就可作為一種模式分類器使用。因為網(wǎng)絡(luò)的輸出向量(1，0，0)、(0，1，0)、(0，0，1)可以表示多種模式或狀態(tài)。如可以分別表示凸、凹和直三種曲線，或者三種筆劃，也可以表示某公司的銷售情況：高峰、低谷和持

26、平等等。當然，要使網(wǎng)絡(luò)有很好的模式分類能力，必須給以足夠多的范例使其學(xué)習(xí)，本例僅是一個簡單的示例。第六十四張，PPT共八十六頁，創(chuàng)作于2022年6月65神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型是一個在神經(jīng)網(wǎng)絡(luò)研究和應(yīng)用中經(jīng)常提到的概念。所謂神經(jīng)網(wǎng)絡(luò)模型，它是關(guān)于一個神經(jīng)網(wǎng)絡(luò)的綜合描述和整體概念，包括網(wǎng)絡(luò)的拓撲結(jié)構(gòu)、輸入輸出信號類型、信息傳遞方式、神經(jīng)元特性函數(shù)、學(xué)習(xí)方式、學(xué)習(xí)算法等等。截止目前，人們已經(jīng)提出了上百種神經(jīng)網(wǎng)絡(luò)模型,下表簡介最著名的幾種。第六十五張，PPT共八十六頁，創(chuàng)作于2022年6月66神經(jīng)網(wǎng)絡(luò)模型第六十六張，PPT共八十六頁，創(chuàng)作于2022年6月67神經(jīng)網(wǎng)絡(luò)模型第六十七張，PPT共八十六頁，

27、創(chuàng)作于2022年6月68神經(jīng)網(wǎng)絡(luò)模型第六十八張，PPT共八十六頁，創(chuàng)作于2022年6月69神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型也可按其功能、結(jié)構(gòu)、學(xué)習(xí)方式等的不同進行分類。 1.按學(xué)習(xí)方式分類 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式包括三種，有導(dǎo)師學(xué)習(xí)、強化學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)。按學(xué)習(xí)方式進行神經(jīng)網(wǎng)絡(luò)模型分類時，可以分為相應(yīng)的三種，即有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)、強化學(xué)習(xí)網(wǎng)絡(luò)及無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。第六十九張，PPT共八十六頁，創(chuàng)作于2022年6月70神經(jīng)網(wǎng)絡(luò)模型 2. 按網(wǎng)絡(luò)結(jié)構(gòu)分類 神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)分為兩大類,分層結(jié)構(gòu)與互連結(jié)構(gòu)，分層結(jié)構(gòu)網(wǎng)絡(luò)有明顯的層次,信息的流向由輸入層到輸出層,因此,構(gòu)成一大類網(wǎng)絡(luò),即前向網(wǎng)絡(luò)。對于互連型結(jié)構(gòu)網(wǎng)絡(luò),沒有明

28、顯的層次,任意兩處理單元之間都是可達的,具有輸出單元到隱單元(或輸入單元)的反饋連接，這樣就形成另一類網(wǎng)絡(luò),稱之為反饋網(wǎng)絡(luò)。 第七十張，PPT共八十六頁，創(chuàng)作于2022年6月71神經(jīng)網(wǎng)絡(luò)模型 3. 按網(wǎng)絡(luò)的狀態(tài)分類 在神經(jīng)網(wǎng)絡(luò)模型中，處理單元(即神經(jīng)元)的狀態(tài)有兩種形式：連續(xù)時間變化狀態(tài)、離散時間變化狀態(tài)。如果神經(jīng)網(wǎng)絡(luò)模型的所有處理單元狀態(tài)能在某一區(qū)間連續(xù)取值，這樣的網(wǎng)絡(luò)稱為連續(xù)型網(wǎng)絡(luò)；如果神經(jīng)網(wǎng)絡(luò)模型的所有處理單元狀態(tài)只能取離散的二進制值0或1(或-1、+1)，那么稱這種網(wǎng)絡(luò)為離散型網(wǎng)絡(luò)。 典型的Hopfield網(wǎng)絡(luò)同時具有這兩類網(wǎng)絡(luò)，分別稱為連續(xù)型Hopfield網(wǎng)絡(luò)和離散型Hopfiel

29、d網(wǎng)絡(luò)。另外，還有輸出為二進制值0或1、輸入為連續(xù)值的神經(jīng)網(wǎng)絡(luò)模型，如柯西機模型。第七十一張，PPT共八十六頁，創(chuàng)作于2022年6月72神經(jīng)網(wǎng)絡(luò)模型4. 按網(wǎng)絡(luò)的活動方式分類 確定神經(jīng)網(wǎng)絡(luò)處理單元的狀態(tài)取值有兩種活動方式，一種是由確定性輸入經(jīng)確定性作用函數(shù)，產(chǎn)生確定性的輸出狀態(tài)；另一種是由隨機輸入或隨機性作用函數(shù)，產(chǎn)生遵從一定概率分布的隨機輸出狀態(tài)。 具有前一種活動方式的神經(jīng)網(wǎng)絡(luò)，稱為確定性網(wǎng)絡(luò)。已有的大部分神經(jīng)網(wǎng)絡(luò)模型均屬此類。而后一種活動方式的神經(jīng)網(wǎng)絡(luò)，稱為隨機性網(wǎng)絡(luò)。隨機性網(wǎng)絡(luò)的典型例子有：波爾茨曼機、柯西機和高斯機等。第七十二張，PPT共八十六頁，創(chuàng)作于2022年6月73 ANN 人工

30、神經(jīng)網(wǎng)絡(luò)概述基本原理前向型神經(jīng)網(wǎng)絡(luò)自組織競爭神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的應(yīng)用與人工智能原理的結(jié)合BP神經(jīng)網(wǎng)絡(luò)第七十三張，PPT共八十六頁，創(chuàng)作于2022年6月74自組織競爭神經(jīng)網(wǎng)絡(luò)概述在實際的神經(jīng)網(wǎng)絡(luò)中，存在一種側(cè)抑制的現(xiàn)象。即一個細胞興奮后，通過它的分支會對周圍其他神經(jīng)細胞產(chǎn)生抑制。這種側(cè)抑制在脊髓和海馬中存在，在人眼的視網(wǎng)膜中也存在。第七十四張，PPT共八十六頁，創(chuàng)作于2022年6月75自組織競爭神經(jīng)網(wǎng)絡(luò)概述這種抑制使神經(jīng)細胞之間出現(xiàn)競爭，一個興奮最強的神經(jīng)細胞對周圍神經(jīng)細胞的抑制也強。雖然一開始各個神經(jīng)細胞都處于興奮狀態(tài)，但最后是那個輸出最大的神經(jīng)細胞“贏”，而其周圍的神經(jīng)細胞“輸”了。勝者為王。

31、小貓 第七十五張，PPT共八十六頁，創(chuàng)作于2022年6月76自組織競爭神經(jīng)網(wǎng)絡(luò)概述自組織競爭神經(jīng)網(wǎng)絡(luò)是在 “無師自通”的現(xiàn)象的基礎(chǔ)上生成的。 人類等生物的生長過程。第七十六張，PPT共八十六頁，創(chuàng)作于2022年6月77自組織競爭神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：層內(nèi)細胞之間互聯(lián)，在各個神經(jīng)細胞中加入自反饋，相互作用，輸出y為 ：系統(tǒng)穩(wěn)定時“勝者為王”。此時贏者的權(quán)向量與輸入向量的歐氏距離最小。此距離為 ：第七十七張，PPT共八十六頁，創(chuàng)作于2022年6月78自組織競爭神經(jīng)網(wǎng)絡(luò)自組織映射模型自組織映射模型是由Kohonen提出來的。模型是以實際神經(jīng)細胞中的一種特征敏感的細胞為模型的。各個細胞分別對各種輸入敏感，可以代表各種輸入，反映各種輸入樣本