第大章仿生嗅觉系统 人工神经网络分析
仿生嗅觉系统中的模式识别系统 对目标气体进行识别和分析： (1)通过基于统计学和仿生学的方法对 气味数据进行分类； (2)用定性和定量的模式识别算法分析 数据特性； (3)用有监督和无监督的识别技术确定 气味成分
仿生嗅觉系统中的模式识别系统 对目标气体进行识别和分析： (1)通过基于统计学和仿生学的方法对 气味数据进行分类； (2)用定性和定量的模式识别算法分析 数据特性； (3)用有监督和无监督的识别技术确定 气味成分
模式分析常用技术 主成分分析(PCA)技术： 展示已知的气味，研究含复合传感器 的气味空间中数据的聚类，并对其线性可分 性进行评估 多层感知机人工神经网络(MLP ANN) 技术提供了一种对未知气体向量的预分类 预分类器：标准BP网络
模式分析常用技术 主成分分析（PCA）技术： 多层感知机人工神经网络（MLP ANN） 技术： 展示已知的气味，研究含复合传感器 的气味空间中数据的聚类，并对其线性可分 性进行评估 提供了一种对未知气体向量的预分类 预分类器：标准BP网络
人工神经网络（ANN 一能获取、存储和利用经验知识的物理 细胞系统 ·一种并行的分布式信息处理结构，通过称为连 接的单向信号通路将一些处理单元（具有局部存 储并能执行局部信息处理能力)相互连接而组成 ·具有非线性映射能力； ·不需要精确的数学模型； ·擅长从输入输出数据中学习有用知识； ·容易实现并行运算； ·由大量的简单计算单元组成，容易用软硬件实 现
人工神经网络（ANN） ——能获取、存储和利用经验知识的物理 细胞系统 一种并行的分布式信息处理结构，通过称为连 接的单向信号通路将一些处理单元(具有局部存 储并能执行局部信息处理能力)相互连接而组成 具有非线性映射能力； 不需要精确的数学模型； 擅长从输入输出数据中学习有用知识； 容易实现并行运算； 由大量的简单计算单元组成，容易用软硬件实 现
ANN的工作过程 学习期 对神经网络连接权值进行修改 工作期 对于给定的输入进行计算， 得到识别结果
ANN的工作过程 学习期 工作期 对神经网络连接权值进行修改 对于给定的输入进行计算， 得到识别结果
6.1神经网络模型 ●ANN的学习规则 监督型 无监督型 强化学习型
6.1 神经网络模型 ANN的学习规则 监督型 无监督型 强化学习型
6.1神经网络模型 1.神经元模型：1943，McCulloch&Pitts, ANN研究的开端 ·神经元：神经网络操作的基本信息处理单位 ·神经元模型：人工神经网络的设计基础，基 于模拟生物神经元信息的传递特性，即输入 和输出关系
6.1 神经网络模型 1. 神经元模型：1943，McCulloch & Pitts, ANN研究的开端 神经元:神经网络操作的基本信息处理单位 神经元模型:人工神经网络的设计基础，基 于模拟生物神经元信息的传递特性，即输入 和输出关系
多输入 单输出 固定输入X0=+1 简单神经元模型 求和单元非线性激活函数 输出 一组连接 j() (对应于 yi 生物神经 求和结点 元的突触) 求取各输入 连接强度由各连接上的权值 信号的加权 起非线性映射作用 表示，权值为正表示激活， 和（线性组 并将神经元输出幅度 为负表示抑制 合) 限制在一定范围内
简单神经元模型 多输入 单输出 一组连接 （对应于 生物神经 元的突触） 连接强度由各连接上的权值 表示，权值为正表示激活， 为负表示抑制 求和单元 非线性激活函数 求取各输入 信号的加权 和（线性组 合） 起非线性映射作用 并将神经元输出幅度 限制在一定范围内
固定输入x0=+1·→@网 x·+®对 x2+@9 输出 →yx x0:固定输入+1（或-1） 求和结点 x→@ 0ko:偏置b,作用：添加新的固定输入，添加新的 等于偏置的突触权值 x,x2,…,xn：神经元的输入，即是来自前级个神经元的轴 突信息 0k1,O2,L,Dm：分别是神经元对x,X2,L,Xn的权值连接，即 突触的传递效率 ∫：是激活函数（也称传递函数），决定神经元受到输入 x,x2,L,x,的共同作用达到阈值时以何种方式输出 y：神经元的输出，一个神经元输出的正常幅度范围可写成 单位闭区间[0,1]或者另一种区间[-1，+1]
1 2 , , , n x x x ：神经元的输入，即是来自前级n个神经元的轴 突信息 k 0 ：偏置 ，作用：添加新的固定输入，添加新的 等于偏置的突触权值 bk 1 2 , , , k k kn L ：分别是i神经元对 的权值连接，即 突触的传递效率 1 2 , , , n x x x L x0 ：固定输入+1（或-1） f 1 2 , , , n x x x L 的共同作用达到阈值时以何种方式输出 ：是激活函数（也称传递函数），决定i神经元受到输入 k y ：i神经元的输出，一个神经元输出的正常幅度范围可写成 单位闭区间[0,1]或者另一种区间[-1,+1]
激活函数 ·阶跃型 f)-s≥0 s<0 10 a
激活函数 阶跃型 ( ) 1, 0 0, 0 s f s s =