神经网络（论文资料）

《神经网络（论文资料）》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、神经网络NeuralNetwork神经网络的概念泛指生物神经网络与人工神经网络生物神经网络由中枢神经系统（脑和脊髓）及周围神经系统（感觉、运动、交感等）所构成的错综复杂的神经网络，最重要的是脑神经系统。人工神经网络(ANN)由大量简单的处理单元广泛地互相连接而形成地复杂网络系统，以简化，抽象，和模拟人脑神经网络。概述概述神经网络的发展简史初创（1943—1969）1943年，McCulloch和Pitts提出了M-P模型1949年，Hebb提出Hebb学习规则1957年，Rosenblatt提出

2、感知器(perceptrons)1969年，Minsky和Papert发表“Perceptrons”过渡期（1970—1986）1980年，Kohonen提出自组织映射理论1982年，Hopfield提出离散的Hopfield网络模型1984年，又提出连续的Hopfield网络模型，并用电子线路实现了该网路的仿真。1986年，Rumelhart等提出BP算法发展期（1987--）1993年创刊的“IEEETransactiononNeuralNetwork”生物神经元构成神经系统的基本单元，简称

3、神经元。包括细胞体、树突、轴突。神经元电镜图片轴突树突突触细胞体神经末梢组成细胞体由细胞核，细胞质，和细胞膜组成。膜内外有电位差，膜外为正，膜内为负。它是神经元新陈代谢的中心，用于接收并处理从其它神经元传递的信息。轴突由细胞体向外伸出的一条最长分支，长度可达1m。它通过尾部的神经末梢向其它神经元输出神经冲动，相当于神经元的输出电缆。树突除轴突外的其它分支。数目多，长度短。它用于接受从其它神经元传来的神经冲动，相当于神经元的输入端。突触一个神经元的轴突末梢和另外一个神经元的树突相接触的地方，相当于

4、神经元之间的接口部分。大多数神经元有103—104个突触。连接辐射一个神经元的轴突末梢与许多神经元的树突相连接。聚合许多神经元的轴突末梢与一个神经元的树突相连接。特性信息以预知的确定方向传递一个神经元的树突、细胞体－轴突－突触－另一个神经元树突时空整合功能对不同时间通过同一突触传入的信息具有时间整合功能对同一时间通过不同突触传入的信息具有空间整合功能工作状态兴奋状态，对输入信息整合后使细胞膜电位升高，当高于动作电位的阈值时，产生神经冲动，并由轴突输出。抑制状态，对输入信息整合后使细胞膜电位降低，

5、当低于动作电位的阈值时，无神经冲动产生。结构的可塑性神经元之间的柔性连接。脉冲与电位转换功能轴突与普通传输线路不同，对于小于阈值的信号在传递过程中会被滤除，而对于大于阈值的则有整形作用。即无论输入脉冲的幅度与宽度，输出波形恒定。信息传递的时延性和不应期性在两次输入之间要有一定的时间间隔，即时延；而在此期间内不响应激励，不传递信息，称为不应期。人工神经元及其互连结构人工神经网络的基本处理单元－人工神经元模拟主要考虑两个特性：时空加权，阈值作用。其中对于时空加权，模型分为两类，即考虑时间特性，不考虑

6、时间特性。人工神经元M-P模型最早由心理学家麦克罗奇（W.McLolloch）和数理逻辑学家皮兹（W.Pitts）于1943年提出。θY输出eeii兴奋型输入抑制型输入阈值M-P模型输入输出关系表输入条件输出M-P模型对抑制型输入赋予了“否决权”，只有当，且时，才有y＝1，其它时候y＝0。一种常见的不考虑时间特性的模型θy输出x1x2…xnwns控制符号f()－－特性函数/激发函数阈值连接权值w2w1输入多输入单输出的非线性器件一些典型的特性函数阈值型线性s型神经元的连接人工神经网络是由神经元广

7、泛互联构成的，不同的连接方式构成了不同的网络模型前向网络神经元分层排列(输入层、隐层和输出层)。各层之间的神经元全互联，各层内的神经元无连接。每一层只接受来自前一层的输入。从输出层到输入层有反馈的网络层内有互连接的网络同一层的神经元可以互相连接.互连网络任意两个神经元之间可以互相连接。互连网络一直处于动态变化之中，最后到达某种稳定状态，也可能进入周期振荡。人工神经网络的特征及分类人工神经网络的特征能较好的模拟人的形象思维具有大规模并行协同处理能力具有较强的容错能力和联想能力具有较强的学习能力大规

8、模、自组织、自适应的非线性动力系统人工神经网络的分类根据拓扑结构无反馈网络有反馈网络根据学习方法有教师的学习网络无教师的学习网络根据网络的状态静态网络动态网络根据处理的信息连续型网络离散型网络感知器罗森勃拉特(Rosenblatt)于1957年提出,把神经网络的研究从纯理论探讨引向了工程实践。感知器是只有单层计算单元的前向神经网络,由线性阈值单元组成。1）线性阈值单元1y=0或-12)单层感知器只有输入层和输出层组成，输入层的每个处理单元均与输出层互连，层内各神经元无连接，网络无反馈。学习算法: