《Ch9人工神经网络》PPT课件

《《Ch9人工神经网络》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、第9章人工神经网络与遗传算法ArtificialNeuralNetworkandGeneticAlgorithms本章内容9.1人工神经网络概述9.1.1生物神经元9.1.2人工神经网络的构成9.2人工神经网络基本模型9.2.1感知器模型9.2.2线性神经网络9.2.3BP神经网络9.2.4其他神经网络9.3BP神经网络理论9.3.1网络结构9.3.2数学模型9.3.3学习算法9.3.4网络的泛化能力9.3.5算法的改进9.3.6网络结构参数的确定9.4BP神经网络应用9.4.1函数逼近9.4.2字符识别9.1人工神经网络概述生物神经系统是一个有高度组织和相互作用的

2、数量巨大的细胞组织群体。人类大脑的神经细胞大约在1011一1013个左右。神经细胞也称神经元，是神经系统的基本单元，它们按不同的结合方式构成了复杂的神经网络。通过神经元及其联接的可塑性，使得大脑具有学习、记忆和认知等各种智能。9.1.1生物神经元1、结构神经元由细胞体(Soma)和延伸部分组成。延伸部分按功能分有两类，一种称为树突(Dendrite)，用来接受来自其他神经元的信息；另一种用来传递和输出信息，称为轴突(Axon)。神经元之间的相互连接从而让信息传递的部位披称为突触(Synapse)，突触的联接是可塑的，也就是说突触特性的变化是受到外界信息的影响或自身生

3、长过程的影响。2、特征(1)并行分布处理大脑中单个神经元的信息处理速度是很慢的，每次约1毫秒，比通常的电子门电路要慢几个数量级。但是人脑对某一复杂过程的处理和反应却很快，一般只需几百毫秒。而在这个处理过程中，与脑神经系统的一些主要功能，如视觉、记亿、推理等有关。按照上述神经元的处理速度，如果采用串行工作模式，就必须在几百个串行步内完成，这实际上是不可能办到的。因此只能把它看成是一个由众多神经元所组成的超高密度的并行处理系统。例如在一张照片寻找一个熟人的面孔，对人脑而言，几秒钟便可完成，但如用计算机来处理，以现有的技术，是不可能在短时间内完成的。(2)神经系统的可塑性

4、和自组织性从生理学的角度看，它体现在突触的可塑性和联接状态的变化。例如在某一外界信息反复刺激下．接受该信息的神经细胞之间的突触结合强度会增强。这种可塑性反映出大脑功能既有先天的制约因素，也有可能通过后天的训练和学习而得到加强。(3)信息处理与信息存贮合二为一由于大脑神经元兼有信息处理和存贮功能，所以在进行回亿时，不但不存在先找存贮地址而后再调出所存内容的问题，而不像现行计算机那样．存贮地址和存贮内容是彼此分开的。(4)信息处理的系统性大脑的各个部位是一个大系统中的许多子系统。各个子系统之间具有很强的相互联系，一些子系统可以调节另一些子系统的行为。例如，视觉系统和运动

5、系统就存在很强的系统联系，可以相互协调各种信息处理功能。(5)能接受和处理模糊的、模拟的、随机的信息9.1.2人工神经网络人工神经网络(ArtificialNeuralNetwork，ANN)是对人类大脑特性的一种描述。它是一个数学模型，可以用电子线路实现，也可以用计算机程序来模拟。是人工智能研究的一种方法。2021/7/15121、定义1）Hecht—Nielsen（1988年）人工神经网络是一个并行、分布处理结构，它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元（PE—ProcessingElement）具有局部内存，并可以完成局部操作。每个处理单元

6、有一个单一的输出联接，这个输出可以根据需要被分枝成希望个数的许多并行联接，且这些并行联接都输出相同的信号，即相应处理单元的信号，信号的大小不因分支的多少而变化。2021/7/1513（1）Hecht—Nielsen（1988年）（续）处理单元的输出信号可以是任何需要的数学模型，每个处理单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。2021/7/1514强调：①并行、分布处理结构；②一个处理单元的输出可以被任意分枝，且大小不变；③输出信号可以是任意的数学模型；④处理单元完全的局

7、部操作2021/7/1515（2）Rumellhart，McClelland，Hinton的PDP1）一组处理单元（PE或AN）；2）处理单元的激活状态（ai）；3）每个处理单元的输出函数（fi）；4）处理单元之间的联接模式；5）传递规则（∑wijoi）；6）把处理单元的输入及当前状态结合起来产生激活值的激活规则（Fi）；7）通过经验修改联接强度的学习规则；8）系统运行的环境（样本集合）。2021/7/1516（3）Simpson（1987年）人工神经网络是一个非线性的有向图，图中含有可以通过改变权大小来存放模式的加权边，并且可以从不完整的或未知的输入找到模式。