資源描述：
《人工神經(jīng)網(wǎng)絡-bp》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。
1、人工神經(jīng)網(wǎng)絡是生物神經(jīng)網(wǎng)絡的某種模型(數(shù)學模型)是對生物神經(jīng)網(wǎng)絡的模仿基本處理單元為人工神經(jīng)元人工神經(jīng)網(wǎng)絡是對生物神經(jīng)系統(tǒng)的模擬。大量簡單的計算單元（結點，神經(jīng)元）以某種形式連接，形成一個網(wǎng)絡.其中某些因素，如:連接強度(連接權值，其大小決定信號傳遞強弱);結點計算特性(激活特性,神經(jīng)元的輸入輸出特性);甚至網(wǎng)絡結構等，可依某種規(guī)則隨外部數(shù)據(jù)進行適當調整，最終實現(xiàn)某種功能。神經(jīng)網(wǎng)絡的計算通過網(wǎng)絡結構實現(xiàn)；不同網(wǎng)絡結構可以體現(xiàn)各種不同的功能；網(wǎng)絡結構的參數(shù)是通過學習逐漸修正的。McCulloch-Pitts神經(jīng)元模型輸入信號；鏈接強度與
2、權向量；信號累積激活與抑制人工神經(jīng)元模型的三要素:??權值?0，激活?一組連接連接權值，突觸連接強度???權值?0，抑制??一個加法器輸入信號關于神經(jīng)元突觸的線性加權????一個激勵函數(shù)將神經(jīng)元的輸出信號限制在有限范圍內T輸入信號n維輸入向量x=?x1,...,xn?x是來自其它n個神經(jīng)元的輸出；也可以是來自外部的輸入信號T權向量n維權向量W=??1,...,?n?,?i?R相當于突觸的連接強度。傳遞函數(shù)轉移函數(shù),激勵?激活?函數(shù)傳輸函數(shù)，輸出函數(shù)，限幅函數(shù)將可能的無線域變換到指定的有限范圍輸出。單調增函數(shù)，通常為"非線性函數(shù)"n??
3、網(wǎng)絡輸入net?W?x???ixi?i?1?--神經(jīng)元的輸入興奮總量是多個輸入的代數(shù)和?其中??輸出y?f(net)--單輸出(標量)??--執(zhí)行該神經(jīng)元所獲得的網(wǎng)絡輸入的變換??(1)基本的人工神經(jīng)元模型若帶偏置量，則有n??net?W?p?b???ipi?b?i?1--單輸出(標量)??y?f(net)(2)輸出函數(shù)fA.線性函數(shù)f?net?=k?net+cB.非線性斜面函數(shù)(RampFunction)：?bnet???f?net???k?netnet?????bnet???b?0為常數(shù)，稱飽和值，是該神經(jīng)單元的最大輸出；輸出函數(shù)
4、值限制在??b,b?范圍內。C(.2符)號輸出函函數(shù)數(shù)f?sign型函數(shù)，不可微；對稱硬極限函數(shù)；????雙極函數(shù)??1net?0f?net?=sgn?net?=??-1net<0matlab函數(shù)hardlims??net??D.閾值函數(shù)f?net?=??-?net
5、??1net?net?2nete?e1?e值域??1，1?matlab函數(shù)：tansig?非線性，單調；無限次可微??net較小時(權值較小)，可近似線性函數(shù)??--高增益區(qū)處理小信號?net較大時(權值較大)，可近似閾值函數(shù).???--低增益區(qū)處理大信號3.人工神經(jīng)網(wǎng)絡三個要素?網(wǎng)絡結構或拓撲(連接形式)??神經(jīng)元的計算特性(傳遞函數(shù))??學習規(guī)則上述要素不同組合，形成各種神經(jīng)網(wǎng)絡模型4.神經(jīng)網(wǎng)絡三種基本模型??1?前饋型神經(jīng)網(wǎng)絡?feedfrowardnetwork?-重點介紹??多層感知器?BP網(wǎng)絡??RBF網(wǎng)絡?????2?反
6、饋網(wǎng)絡?feedbacknetwork??Hopfield網(wǎng)絡????3?競爭學習網(wǎng)絡?competitivelearningnetwork????SOM神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡特點自學習自適應并行處理分布表達與計算神經(jīng)網(wǎng)絡應用?回歸神經(jīng)網(wǎng)絡本質上，可以理解為函數(shù)逼近??狀態(tài)預測可應用到眾多領域,如：優(yōu)化計算；信號處理；智能控制；模式識別；機器視覺；等等。2.感知器神經(jīng)網(wǎng)絡(感知器)、感知器神經(jīng)元2.感知器神經(jīng)網(wǎng)絡、感知器神經(jīng)元(續(xù))符號函數(shù)?對稱硬極限函數(shù)??1net?0f?net?=sgn?net?=??-1net<0matlab函數(shù)ha
7、rdlims?1net?0hardlim?net?=??0net<0一般的前饋運算c類，c個判別函數(shù)gk?x?輸出單元的輸出????nm????yk?gk?x????netk?????vjk????ijxi??0j??v0k??j?1?i=1??????????第1個隱含層的第j個節(jié)點??的凈輸入??????????????輸出層的第k個節(jié)點的凈輸入k?1,...,c隱含層單元可表達更為復雜的非線性函數(shù)激活函數(shù)不一定為符號函數(shù)常要求激活函數(shù)是連續(xù)可微的輸出層與隱含層的激活函數(shù)可以不同，并且輸出層各單元的激活函數(shù)可有所區(qū)別?2?多層網(wǎng)絡
8、的表達能力按照Kolmogorov定理,任何一個判決均可用前式所示的三層神經(jīng)網(wǎng)絡實現(xiàn)。即：只要給定足夠數(shù)量的隱含層單元、適當?shù)姆蔷€性函數(shù)、以及權值，任何由輸入向輸出的連續(xù)映射函數(shù)均可用一個三層前饋神經(jīng)網(wǎng)絡實現(xiàn)。BP算法訓
