人工神经网络综述ppt课件.ppt

《人工神经网络综述ppt课件.ppt》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、人工神经网络（ANN）概述人工神经网络提供了一种普遍且实用的方法从样例中学习值为实数、离散值或向量的函数反向传播算法，使用梯度下降来调节网络参数以最佳拟合由输入-输出对组成的训练集合人工神经网络对于训练数据中的错误健壮性很好人工神经网络已被成功应用到很多领域，例如视觉场景分析，语音识别，机器人控制生物学动机ANN受到生物学的启发，生物的学习系统是由相互连接的神经元组成的异常复杂的网络。ANN由一系列简单的单元相互密集连接构成的，其中每一个单元有一定数量的实值输入，并产生单一的实数值输出人脑的构成，大约有1011个神经元，平均每一个与其他104个相连神经元的活性通常被通向其他神经元的连接激活或

2、抑制最快的神经元转换时间比计算机慢很多，然而人脑能够以惊人的速度做出复杂度惊人的决策很多人推测，生物神经系统的信息处理能力一定得益于对分布在大量神经元上的信息表示的高度并行处理生物学动机（2）ANN系统的一个动机就是获得这种基于分布表示的高度并行算法ANN并未模拟生物神经系统中的很多复杂特征ANN的研究分为两个团体使用ANN研究和模拟生物学习过程获得高效的机器学习算法，不管这种算法是否反映了生物过程神经元及其行为1神经元(Neurons)的结构:MyelinSheath[髓鞘]Axon[轴突]NodeofRanvierSynapse[轴突末梢]CellBody[主体]Dendrite[突触]

3、--主体(soma):新陈代谢的主体--突触:接收体--轴突:操作单元--轴突末梢:神经元间的交互体神经网络表示ALVINN系统Pomerleau1993使用一个学习到的ANN以正常的速度在高速公路上驾驶汽车ANN的输入是一个30x32像素的网格，输出是车辆行进的方向每个节点对应一个网络单元的输出，而从下方进入节点的实线为其输入隐藏单元，输出仅在网络内部，不是整个网络输出的一部分每个输出单元对应一个特定的驾驶方向，这些单元的输出决定哪一个方向是被最强烈推荐的神经网络表示（2）ALVINN是很多ANN的典型结构，所有单元分层互连形成一个有向无环图通常，ANN图结构可以有很多种类型无环或有环有向

4、或无向适合神经网络学习的问题训练集合为含有噪声的复杂传感器数据，例如来自摄像机和麦克风需要较多符号表示的问题，例如决策树学习的任务，能够取得和决策树学习大体相当的结果反向传播算法是最常用的ANN学习技术感知器（1）一种类型的ANN系统是以感知器为基础感知器以一个实数值向量作为输入，计算这些输入的线性组合，如果结果大于某个阈值，就输出1，否则输出-1其中每个wi是一个实数常量，或叫做权值，用来决定输入xi对感知器输出的贡献率。特别地，-w0是阈值。感知器（2）两种简化形式，附加一个常量输入x0=1，前面的不等式写成或写成向量形式为了简短起见，把感知器函数写为其中，感知器（3）学习一个感知器意味

5、着选择权w0,…,wn的值。所以感知器学习要考虑的候选假设空间H就是所有可能的实数值权向量的集合感知器的表征能力可以把感知器看作是n维实例空间（即点空间）中的超平面决策面对于超平面一侧的实例，感知器输出1，对于另一侧的实例，输出-1这个决策超平面方程是可以被某个超平面分割的样例集合，称为线性可分样例集合感知器的表征能力（2）单独的感知器可以用来表示很多布尔函数表示m-of-n函数感知器可以表示所有的原子布尔函数：与、或、与非、或非然而，一些布尔函数无法用单一的感知器表示，例如异或感知器的表征能力（3）因为所有的布尔函数都可表示为基于原子函数的互连单元的某个网络，因此感知器网络可以表示所有的布

6、尔函数。事实上，只需要两层深度的网络注意，要把一个AND感知器的输入求反只要简单地改变相应输入权的符号因为感知器网络可以表示大量的函数，而单独的单元不能做到这一点，所以我们感兴趣的是学习感知器组成的多层网络感知器训练法则虽然我们的目的是学习由多个单元互连的网络，但我们还是要从如何学习单个感知器的权值开始单个感知器的学习任务，决定一个权向量，它可以使感知器对于给定的训练样例输出正确的1或-1我们主要考虑两种算法感知器法则delta法则这两种算法保证收敛到可接受的假设，在不同的条件下收敛到的假设略有不同这两种算法提供了学习多个单元构成的网络的基础感知器法则算法过程从随机的权值开始反复应用这个感知

7、器到每个训练样例，只要它误分类样例就修改感知器的权值重复这个过程，直到感知器正确分类所有的训练样例感知器训练法则其中可以证明（Minskey&Papert1969）如果训练样例线性可分，并且使用了充分小的否则，不能保证梯度下降和delta法则delta法则克服感应器法则的不足，在线性不可分的训练样本上，收敛到目标概念的最佳近似delta法则的关键思想是，使用梯度下降来搜索可能的权向量的假设空间，以找到最佳拟