人工神经网络及其应用硕士

《人工神经网络及其应用硕士》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第8章人工神经网络及其应用人工神经网络已在模式分类、机器视觉、机器听觉、智能计算、机器人控制、信号处理、组合优化问题求解、联想记忆、编码理论、医学诊断、金融决策和数据挖掘等领域获得了卓有成效的应用。生物神经网络(NaturalNeuralNetwork,NNN):由中枢神经系统（脑和脊髓）及周围神经系统（感觉神经、运动神经等）所构成的错综复杂的神经网络，其中最重要的是脑神经系统。人工神经网络(ArtificialNeuralNetworks,ANN):模拟人脑神经系统的结构和功能，运用大量简单处理单元经广泛连接而组成的人工网络系统。第8章人工神经网络及其应用神经网络（NeuralNe

2、tworks，NN）神经网络方法：隐式的知识表示方法2人脑构造:皮层（cortex）中脑（midbrain）脑干（brainstem）小脑（cerebellum）人脑由1011～1014个神经细胞（神经元）交织在一起的网状结构组成，其中大脑皮层约140亿个神经元，小脑皮层约1000亿个神经元。神经元约有1000种类型，每个神经元大约与103～104个其他神经元相连接，形成错综复杂而又灵活多变的神经网络。34人脑神经网络系统与计算机处理信息的比较运行控制：计算机：有一个中央处理单元来控制所有的活动和对所有的信息进行存取操作；人脑神经系统：每个神经元只受与它相连接的一部分神经元的影响。第

3、8章人工神经网络及其应用5知识存储：计算机：知识静态地存储在编有地址的记忆单元中，新的信息破坏老的信息；人脑神经系统：知识存储在神经元之间的连接关系中，新的知识用来调整这种连接关系。人脑神经网络系统与计算机处理信息的比较第8章人工神经网络及其应用678910第8章人工神经网络及其应用8.1神经元与神经网络8.2BP神经网络及其学习算法8.3BP神经网络的应用8.4Hopfield神经网络及其应用其他神经网络11128.1.1神经元模型1.生物神经元结构（输入）（输出）轴突树突细胞体突触138.1.1神经元模型1.生物神经元结构工作状态:兴奋状态：细胞膜电位>动作电位的阈值→神经冲动抑

4、制状态：细胞膜电位<动作电位的阈值学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱。148.1.1神经元模型2.人工神经元模型…-1（突触）（细胞体）（阈值）（神经冲动）人工神经元i的模型图158.1.1神经元模型2.人工神经元模型非线性激励函数（传输函数、输出变换函数）（阶跃函数或硬极限函数）（对称硬极限函数）168.1.1神经元模型2.人工神经元模型非线性激励函数（传输函数、输出变换函数）（S型函数或对数-S形函数）（双曲正切S形函数）178.1.1神经元模型2.人工神经元模型非线性激励函数（传输函数、输出变换函数）（线性函数）（高斯或径向基函数）188.1.1神经

5、元模型2.人工神经元模型非线性激励函数（传输函数、输出变换函数）（饱和线性函数）（对称饱和线性函数）198.1.1神经元模型2.人工神经元模型…-1（突触）（细胞体）（阈值）（神经冲动）…+1（偏置）人工神经元i的模型图人工神经元i的模型图208.1.1神经元模型2.人工神经元模型218.1.1神经元模型标准的统一的神经元模型：22工作过程:从各输入端接收输入信号uj(j=1,2,…,n)根据连接权值求出所有输入的加权和用非线性激励函数进行转换，得到输出8.1.1神经元模型2.人工神经元模型238.1神经元与神经网络8.1.1神经元模型8.1.2单神经元学习规则8.1.3人工神经网络

6、248.1.2单神经元学习规则单神经元的学习：调整单神经元的连接权，使输入输出具有需要的特性。单神经元的连接权修正公式：258.1.2单神经元学习规则1.Hebb学习规则（1944）当某一突触两端的神经元同步激活时，该连接的强度增强，反之减弱。2.误差纠正学习规则（delta学习规则）268.1.2单神经元学习规则3.竞争学习以某种内部规则（与外部环境无关）确定竞争层获胜神经元，其输出为1，其它神经元输出为0，对获胜神经元与输入间的连接权值进行调整，其余不变。278.1神经元与神经网络8.1.1神经元模型8.1.2单神经元学习规则8.1.3人工神经网络288.1.3人工神经网络决定人

7、工神经网络性能的3大要素：神经元的特性；神经元之间相互连接的形式——拓扑结构；为适应环境而改善性能的学习规则。298.1.3人工神经网络1.神经网络的结构（1）前馈型（前向型）BP神经网络308.1.3人工神经网络1.神经网络的结构（2）反馈型Hopfield神经网络318.1.3人工神经网络2.神经网络的工作方式同步（synchronous,或并行）方式：任一时刻神经网络中所有神经元同时调整状态；异步（asynchronous,或串行）方式：任一时刻只有