《神经网络理论基础》PPT课件

《《神经网络理论基础》PPT课件》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、人的大脑脑神经元及其网络神经元功能神经元的模型特征人工神经元模型神经网络结构神经网络的学习神经网络的学习规则本章主要教学内容人的大脑从解剖学角度，人脑可分为延脑(延髓)、脑桥、中脑、小脑、间脑和大脑。延脑被喻为“生命中枢”；小脑专司运动和平衡；中脑专门处理感觉信息；间脑是传递感觉和运动信息的“中继器”。人的生理系统受人的神经系统控制，而人的神经系统包括脑及脑神经、脊髓及脊神经，又把脑和脊髓称为中枢神经。人的大脑与人类智能更直接悠关的是中脑水平以上的脑结构，特别是大脑皮层。大脑由左、右两半球构成，每个脑半球又分为额叶（计划与功能）、顶叶（体感）、枕叶

2、（视觉）、颞叶（听觉、学习、记忆、感情）。人脑大约包含1011～1012个神经元，每个神经元大约与102～105个神经元相联接，形成极为错综复杂而又灵活多变的神经网络。脑神经元及其网络细胞核细胞膜细胞质树突轴突轴突末梢细胞体突触：一个神经元的轴突末梢与另一个神经元的树突或细胞体之间的联结。一个神经元约有103~104个突触，人脑约有1014个突触。神经元功能兴奋与抑制：传入神经元的冲动经整和后使膜电位升高，超过动作电位的阈值时即为兴奋状态，产生神经冲动，由轴突经神经末梢输出；反之当传入神经元的冲动，经整和，使细胞膜电位降低，低于阈值时，为抑制状态，

3、不产生神经冲动。学习与遗忘：由于神经元的可朔性，突触的传递作用可增强与减弱，使神经元具有学习与遗忘功能。时空整合功能空间总和：单个神经元在同一时间可以从别的神经元接受多达上千个突触的输入，整个膜电位和输入信号与其权重的线性组合有关：时间总和：神经元对于不同时间通过同一突触的输入信号具有时间总和的功能。时空整和：神经元每时每刻都把位于神经细胞不同部位的突触输入进行加工处理，从而决定输出的大小：神经元的模型特征阈值特性：神经元的输入输出关系具有非线性特性，如图：ouy不应期：阈值会随着神经元的兴奋而变化。对于绝对不应期，此时无论多么强的输入信号到达

4、，也不会输出任何信号的期间，可以看作值上升为无穷大。神经元的模型特征疲劳：一个神经细胞持续兴奋，其阈值慢慢增加，神经细胞就很难兴奋的现象。突触结合的可朔性：突触结合的强度即权重wi，可根据输入、输出信号可朔性地变化。输出信号的种类离散信号：神经元输入、输出信号是一定幅值的脉冲，将输出有脉冲时视为1，无脉冲视为零；连续信号：将神经元输入、输出用其脉冲的频率来表示，将最高脉冲频率视为1，则输入输出信号取值在0和1之间。人工神经元模型从工程角度神经元模型可表示为图示结构：I1I2Inw1w2wnoi说明：ui为神经元i的膜电位；只考虑空间总和；xi(k

5、)为神经元i在k时刻的活性度，Fi为确定其活性度的函数。输入输入处理活化处理输出处理输出人工神经元模型设有n个神经元互连，以第i个神经元作为对象，它从其它所有神经元j(j=1,...,n,ji)输入信息，神经元j到神经元i的连接权重为wij，于是MP模型可表示为：阈值单元模型——MP模型：不考虑神经元活性度且不考虑输出与输入之间的延时，只处理0和1二值离散信息的阈值单元模型。其中i为阈值，U()为阶跃函数。ouy人工神经元模型准线性单元模型：采用连续的信息作输入和输出,其输出函数的形式为：该函数反映了用神经元不应期表示的神经元实际饱和的输入输

6、出特性。神经元的输出：也是连续值。人工神经元模型概率神经元模型：模型输入输出信号采用0与1的二值离散信息，它是把神经元的动作以概率状态变化的规则模型化。神经元的输入总和为：由输入xi到输出yi给出的概率分布形式为：其中T是表示网络“温度”的正数。人工神经元模型ai1y1aijyjainynbi1u1bikukbimumwi1非线性函数线性动态系统vixiyi基于控制观点的神经元模型：如图，它包括三个部分：加法器；单输入单输出线性动态系统；静态非线性函数。轴突末梢突触树突细胞体轴突神经网络的结构前向网络（前馈网络）:该网络属于层状网络，通常可包含多层

7、。图示为三层，由输入层、隐层、输出层组成。神经网络的结构反馈网络：该网络属于网状网络，它的输出层到输入层有反馈，即每个节点同时接收外来输入和其它节点本身的反馈输入。神经网络的结构相互结合型网络：该网络属于网状网络，构成网络的各个神经元都可能相互双向联接，所有的神经元既作输入同时也用于输出。混合型网络：这种网络是介于层状网络与网状网络之间的一种联接结构，即在前向网络的同一层间神经元可以互联。神经网络的学习期望输出实际输出输入NN比较有教师学习：在学习过程中，网络根据实际输出与期望输出的比较，进行联接权系的调整，将期望输出称为导师信号，是评价学习的标准

8、。有教师学习方法简单，能对训练数据所包含的特征信息进行学习，但不能适应没有学习过的环境，且这种学习方法在学到新知识的同时，