资源描述：
《《神经网络感知机》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、——感知机人工神经网络模型1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。2人工神经网络是模拟人脑思维方式的数学模型，从微观结构和功能上对人脑进行抽象和简化，模拟人类智能。人工神经网络(简称神经网络)也是由大量的、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。3我们不可能对生物学上的神经网络作完全的了解，只可能在某种成度上描述我们所了解的情况。同样，人工神经网络也只可能是在某种程度上对真实的神经网络的一种模拟和逼近。4神
2、经元模型生物神经元模型神经元neuron,neuralcell也就是神经细胞。人脑就是由大量神经元组合而成的。神经元由细胞体、树突和轴突组成。中心接受器传导信息5人工神经元模型，如图所示6感知机是最早被设计并被实现的人工神网络。感知器是一种非常特殊的神经网络，它在人工神经网络的发展历史上有着非常重要的地位，尽管它的能力非常有限，主要用于线性分类。θ或7某个神经元j的输入—输出关系为 其中，为阀值，为连接权，f(•)为变换函数，也称活化函数(activationfunction)。8感知机的结构9我们以单层感知器来说明：两个输入x1和x2。一个阀值θ两个待调整的
3、权值W1和W2决策函数为样本集分别属于2类。θ101特点：１）多输入，单输出２）激活函数／传递函数为二值，一般为阶跃函 数或符号函数３）输出为二值：０／１或－１／１４）1u>0-1u≤0或1u>0０u≤0112感知机的工作方式：学习阶段——修改权值（根据“已知的样本”对权值不断修改；――有导师学习）工作阶段——计算单元变化，由响应函数给出新输入下的输出。12样本：p＝{p1，p2……pp}Y＝{y1，y2……yp}pYW学习机W学习算法学习的过程，主要是修正权值Ｗ，阈值θ感知机的学习阶段：13设有N个训练样本当给定某个样本p的输入/输出模式对时，感知机输出单元会产生一个
4、实际输出向量，用期望输出（样本输出）与实际输出之差来修正网络连接权值。14权值修改采用简单的误差学习规则基本思想：利用某个神经单元的期望输出与实际输出之间的差来调整该神经单元与上一层中相应神经单元的的连接权值，最终减小这种偏差。即：神经单元之间连接权的变化正比于输出单元期望输出与实际的输出之差15对于所有的i和j，i＝l，2，…，s；j＝1，2，…，r，感知器修正权值公式为：上述用来修正感知器权值的学习算法在MATLAB神经网络工具箱中已编成了子程序，成为一个名为1earnp.m的函数。只要直接调用此函数，即可立即获得权值的修正量。此函数所需要的输入变量为：输入、输出矢量
5、和目标矢量：P、A和T。调用命令为：[dW，dB]＝learnp(P，A，T)；(4-5)16输入矢量P，输出矢量Y，目标矢量为T的感知器网络，其学习规则为：如果第i个神经元的输出是正确的，即有：yi＝ti，那么与第i个神经元联接的权值wij和偏差值bi保持不变；17如果第i个神经元的输出是0，但期望输出为1，即有yi＝0，而ti＝1，此时权值修正算法为：新的权值wij为旧的权值wij加上输入矢量pj；类似的，新的偏差bi为旧偏差bi加上它的输入1；18如果第i个神经元的输出为1，但期望输出为0，即有yi＝1，而ti＝0，此时权值修正算法为：新的权值wij等于旧的权值wi
6、j减去输入矢量pj；类似的，新的偏差bi为旧偏差bi减去1。19感知器学习规则的实质为：权值的变化量等于正负输入矢量。20举例：用感知器实现“与”的功能1）设w1=0;w2=0;θ=0;2)输入x={x1,x2}输出y样本：x1=0011x2=0101y=0001要求：确定此感知器中的3个参数“w1,w2,θ”。21即，时y1=0,y2=0,y3=0,y4=1;22计算感知机在ui作用下的输出yi由模型可描述为：j=1,2n=2i=1,2,3,4,用矩阵表示为s1=(w1,w2)×u1－θ=（0，0）×－0＝0；s3=(w1,w2)×u3－θ=（0，0）×－0＝0；s2=
7、(w1,w2)×u2－θ=（0，0）×－0＝0；s4=(w1,w2)×u4－θ=（0，0）×－0＝0；23由响应函数Y=[1111],即y1=y2=y3=y4=1;24调整权值和阈值由ei(t)=
8、di-yi(t)
9、e(t)=(1,1,1,0)求E(t)＝=3,设η＝0.5w1(t+1)=w1(t)+η∑(
10、di-yi(t)
11、×x1’)=0+0.5×(1,1,1,0)×(0,0,1,1)’=0.5;w2(t+1)=w2(t)+η∑(
12、di-yi(t)
13、×x2’)=0+0.5×(1,1,1,0)×(0,1,0,1)’=0.5;θ
