513人工神经网络模型 人工神经网络是一个并行和分布式的信息处理网络结构,该结构一般由多个神经元组成,每个神经元 有一个单一的输出,它可以连接到很多其它的神经元,其输入有多个连接通路,每个连接通路对应一个连 接权系数。 人工神经网络结构可分为以下几种类型 1)不含反馈的前向网络,见图a)。 2)从输出层到输入层有反馈的前向网络,见图b) 3)层内有相互连接的前向网络,见图c) 4)反馈型全相互连接的网络,见图d)。 514神经网络的学习方法 学习规则是修正神经元之间连接强度或加权系数的算法,使获得知识结构适用周围环境的变换。 1.无监督Hebb学习规则 Hebb学习是一类相关学习,它的基本思想是:如果有两个神经元同时兴奋,则它们之间的连接强度的 增强与它们的激励的乘积成正比。用y表示单元i的激活值(输出),y表示单元j的激活值,w表示单 元j到单元i的连接加权系数,则Hebb学习规则可表示如下 △vg(k)=ny(k)y(k) 式中n为学习速率 2.有监督δ学习规则或 Widow-Hoff学习规则 在Hebb学习规则中引入教师信号,将上式中的y换成网络期望目标输出d1与实际输出y之差,即 为有监督δ学习规则 PDF文件使用" pdffactory Pro"试用版本创建ww, fineprint,com,cn5.1.3 人工神经网络模型 人工神经网络是一个并行和分布式的信息处理网络结构，该结构一般由多个神经元组成，每个神经元 有一个单一的输出，它可以连接到很多其它的神经元，其输入有多个连接通路，每个连接通路对应一个连 接权系数。 人工神经网络结构可分为以下几种类型： 1) 不含反馈的前向网络，见图 a)。 2) 从输出层到输入层有反馈的前向网络，见图 b)。 3) 层内有相互连接的前向网络，见图 c)。 4) 反馈型全相互连接的网络，见图 d)。 5.1.4 神经网络的学习方法 学习规则是修正神经元之间连接强度或加权系数的算法，使获得知识结构适用周围环境的变换。 1. 无监督 Hebb 学习规则 Hebb 学习是一类相关学习，它的基本思想是：如果有两个神经元同时兴奋，则它们之间的连接强度的 增强与它们的激励的乘积成正比。用 yi 表示单元 i 的激活值（输出），yj 表示单元 j 的激活值，wij 表示单 元 j 到单元 i 的连接加权系数，则 Hebb 学习规则可表示如下： w (k) y (k) y (k) ij i j D =h × 式中η为学习速率。 2. 有监督δ学习规则或 Widow-Hoff 学习规则 在 Hebb 学习规则中引入教师信号，将上式中的 yi 换成网络期望目标输出 di 与实际输出 yi 之差，即 为有监督δ学习规则 PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.com.cn