第九章 人工神经网络简介 2010-12-20
第九章 人工神经网络简介 2010-12-20
引言
引言
3 生物神经网络(BNN) Dendrites Cell body Axon Direction of message Axon terminals synapse with dendrites on target cell Axon
3 生物神经网络（BNN ）
4 人工神经网络(ANN) 神经元 输入信号 输出信号 连接权重
4 人工神经网络（ANN ）
人工神经元
人工神经元
6 神经元模型 口R个输入p,∈R,即R维输 入向量p; 口n:网络输入，n=W·p+b Input Neuron w Vector Input R个权值w,∈R,即n维 输入向量W; ■阈值b; ▣输出：a=W·p+b) a=fWp+b) ■f一输出/传递/激活函数
6 神经元模型 R 个输入 pi ∈ R，即 R 维输 入向量 p； n：网络输入， n = W · p + b R 个权值 wi ∈ R，即 n 维 输入向量 W； 阈值 b ； 输出：a = f( W · p + b ) f — 输出 /传递 /激活函数
7 神经网络示意图 Input Layer 1 Layer 2 Layer 3 l2 n 11 0 72 22 3 b b 1 1 PR a im S.R m3.23 S.S 1b al fl (IWLp +b) a2=f2(LW2.1a1+b2) a3=f3(LW32a2+b) a3 =f3 (LW32 f2 (LW2.fl (IWIp +b1)+b2)+b3)
7 神经网络示意图
8 常用输出（激发）函数 a 个+1 n 0 口阈值函数 a hardlim(n) fm）=hardim)）=}！(x≥o)y Hard-Limit Transfer Function 10(x<0) a Purelin Transfer Function f(n)=n, a purelin(n) Linear Transfer Function Q ▣Sigmoid Function 0 f(n)= 1 1+e-n a logsig(n) Log-Sigmoid Transfer Function
8 常用输出（激发）函数 阈值函数 Purelin Transfer Function Sigmoid Function 1 ( 0) ( ) hardlim( ) ; 0 ( 0) x fn n x f () ; n n 1 () ; 1 n f n e
神经网络的学习方法
神经网络的学习方法
10 学习方式 t(n) 教师 期望输出 口监督学习 实际输出 输入 环境 神经网络 比较 a(n) p(n) 误差信号 口非监督学习 e(n) 输入 环境 神经网络 输出 口再励学习 输入 环境 神经网络 评价信息
10 学习方式 监督学习 非监督学习 再励学习 教师 环境 神经网络 比较 实际输出 输入 期望输出 误差信号 p(n) t(n) a(n) e(n) 环境 神经网络 输入 环境 神经网络 输入 输出 评价信息
