神经网络综述及简单应用实例课件Matlab程序清华大学

《神经网络综述及简单应用实例课件Matlab程序清华大学》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、第四讲神经网络◆人工神经网络简介◆神经网络工具箱◆应用实例7/23/2021第一部分人工神经网络简介以冯·诺依曼型计算机为中心的信息处理技术的高速发展，使得计算机在当今的信息化社会中起着十分重要的作用。但是，当用它来解决某些人工智能问题时却遇到了很大的困难。例如，一个人可以很容易地识别他人的脸孔，但计算机则很难做到这一点。大脑是由生物神经元构成的巨型网络，它在本质上不同于计算机，是一种大规模的并行处理系统，它具有学习、联想记忆、综合等能力，并有巧妙的信息处理方法。人工神经网络来源于对人脑实际神经网络的模拟一、神经网络发展历史１．背景知识人工神经网络（Artif

2、icialNeuralNetwroks，简称ANN）是对人类大脑系统的一种仿真，简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。实际上它是由大量的、功能比较简单的形式神经元互相连接而构成的复杂网络系统，用它可以模拟大脑的许多基本功能和简单的思维方式。尽管它还不是大脑的完美元缺的模型，但它可以通过学习来获取外部的知识并存贮在网络内，可以解决计算机不易处理的难题，特别是语音和图像的识别、理解、知识的处理、组合优化计算和智能控制等一系列本质上是非计算的问题。2．什么是人工神经网络1943年,美国心理学家W.McC

3、ulloch和数学家W.Pitts在提出了一个简单的神经元模型，即MP模型。1958年，F.Rosenblatt等研制出了感知机(Perceptron）。3．几个发展阶段第一次热潮(40-60年代未)1982年，美国物理学家J.J.Hopfield提出Hopfield模型，它是一个互联的非线性动力学网络他解决问题的方法是一种反复运算的动态过程,这是符号逻辑处理方法所不具备的性质.1987年首届国际ANN大会在圣地亚哥召开，国际ANN联合会成立，创办了多种ANN国际刊物。1990年12月，北京召开首届学术会议。低潮(70-80年代初)第二次热潮1.生物神经元模型

4、二、生物神经元生物神经元模型就是一个简单的信号处理器。树突是神经元的信号输入通道，接受来自其他神经元的信息。轴突是神经元的信号输出通道。信息的处理与传递主要发生在突触附近。神经元细胞体通过树突接受脉冲信号，通过轴突传到突触前膜。当脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质(乙酰胆碱)，使位于突触后膜的离子通道(IonChannel)开放，产生离子流，从而在突触后膜产生正的或负的电位，称为突触后电位。2.生物神经元模型的运行机理突触有两种：兴奋性突触和抑制性突触。前者产生正突触后电位，后者产生负突触后电位。一个神经元的各

5、树突和细胞体往往通过突触和大量的其他神经元相连接。这些突触后电位的变化，将对该神经元产生综合作用，即当这些突触后电位的总和超过某一阎值时，该神经元便被激活，并产生脉冲，而且产生的脉冲数与该电位总和值的大小有关。脉冲沿轴突向其他神经元传送，从而实现了神经元之间信息的传递。◆连接权：◆求和单元：◆激励函数（响应函数）：三、人工神经元模型1.人工神经元模型的三要素模型中为输入信号，为输出信号，为神经元的阈值。该模型的数学表达式为：2.人工神经元模型的数学表达一3.人工神经元模型的数学表达二◆阈值函数：◆分段线性函数：◆sigmoid函数：4.激励函数的形式◆前馈型网

6、络：◆反馈型网络：输入层隐层输出层四、网络结构及工作方式1.网络结构◆学习期：各计算单元状态不变，各连接线上权值通过学习来修改◆工作期：连接权固定，计算单元状态变化，以达到某种稳定状态2.工作方式◆有教师学习：外界存在一个教师，对给定的一组输入，提供应有的输出（标准答案），学习系统可根据实际输出与标准答案之间的差值来调整系统参数学习系统教师环境输入应有响应+误差信号实际响应—五、神经网络的学习方法1.学习方式◆无教师学习：学习系统按照环境提供数据的某些统计规律来调节自身参数环境学习系统动作输出输入状态环境学习系统输入◆强化学习：环境对系统输出结果只给出评价信息

7、（奖或惩），系统通过强化受奖动作来改善自身性能●考察神经元k在n时刻的输入和输出●输入：●实际输出：●应有输出：●由误差信号构造能量函数：其中E(.)为求期望算子●求解最优化问题：●得出系统参数：2.学习规则通常情况下用时刻n的瞬时值代替J，即求解最优化问题由数值迭代算法（如最速下降法、模拟退火算法等），可得其中为学习步长神经学家Hebb提出的学习规则：当某一连接两端的神经元同步激活（或同为抑制）时，该连接的强度应增强，反之应减弱，数学描述如下：其中分别为两端神经元的状态最常用的一种情况是：3.Hebb学习规则对于多层网络，由于有隐层后学习比较困难，限制了多层

8、网络的发展，BP算法的出现解决了这一困