D人工神经网络2.ppt

第2章???神经网络基础知识 2.1 人工神经网络的生物学基础 2.1.1 生物神经元的结构 2.1.1 生物神经元的结构(续一) 2.1.1 生物神经元的结构(续二) 2.1.1 生物神经元的结构(续三) 2.1.1 生物神经元的结构(续四) 2.1.1 生物神经元的结构(续五) 2.1.1 生物神经元的结构(续六) 2.1.2 生物神经元的信息处理机理 2.1.2.1 信息的产生(1/3) 2.1.2.1 信息的产生(2/3) 2.1.2.1 信息的产生(3/3) 2.1.2.2 信息的传递与接收(1/3) 2.1.2.2 信息的传递与接收(2/3) 2.1.2.2 信息的传递与接收(3/3) 2.1.2.2 信息的传递与接收 2.1.2.3 信息的整合(1/2) 2.1.2.3 信息的整合(2/2) 2.1.2.4 生物神经网络(1/2) 2.1.2.4 生物神经网络(2/2) 神经细胞的定义 2.2 人工神经元模型 2.2.1 神经元的建摸(1/6) 2.2.1 神经元的建摸 (2/6) 2.2.1 神经元的建摸 (3/6) 2.2.1 神经元的建摸(4/6) 2.2.1 神经元的建摸(5/6) 2.2.1 神经元的建摸(6/6) 2.2.2 神经元的数学模型(1/6) 2.2.2 神经元的数学模型(2/6) 2.2.2 神经元的数学模型(3/6) 2.2.2 神经元的数学模型(4/6) 2.2.2 神经元的数学模型(5/6) 2.2.2 神经元的数学模型(6/6) 2.2.3 神经元的转移函数 2.2.3 神经元的转移函数 2.2.3 神经元的转移函数 2.2.3 神经元的转移函数 2.2.3 神经元的转移函数 2.3 人工神经网络模型 2.3.1.1 层次型结构(1/4) 2.3.1.1 层次型结构(2/4) 2.3.1.1 层次型结构(3/4) 2.3.1.1 层次型结构(3/4) 2.3.1.1 层次型结构(4/4) 2.3.1.2 互连型结构(1/2) 2.3.1.2 互连型结构(2/2) 2.3.2 网络信息流向类型 2.3.2.1 前馈型网络(2/2) 2.3.2.2 反馈型网络 2.3.2.2 反馈型网络 　　以上介绍的人工神经网络模型的分类方法、结构形式和信息流向只是对目前常见的网络结构的概括和抽象。 2.4 神经网络学习 2.4 人工神经网络学习 2.4 人工神经网络学习 2.4 人工神经网络学习 2.4 人工神经网络学习 2.4 人工神经网络学习 2.4 人工神经网络学习 2.4.1 Hebbian学习规则（1/3） 2.4.1 Hebbian学习规则（2/3） 2.4.1 Hebbian学习规则（3/3） 2.4.2 Perceptron(感知器)学习规则 2.4.3 δ(Delta)学习规则 2.4.3 δ(Delta)学习规则 2.4.3 δ(Delta)学习规则 2.4.3 δ(Delta)学习规则 2.4.3 δ(Delta)学习规则 2.4.4 Widrow-Hoff（LMS）学习规则 2.4.5 Correlation(相关)学习规则 2.4.6 Winner-Take-All(胜者为王)学习规则 2.4.7 Outstar(外星)学习规则 2.4.7 Outstar(外星)学习规则 以上集中介绍了神经网络中几种常用的学习规则，有些规则之间有着内在联系，读者可通过比较体会其异同。对上述各种学习规则的对比总结列于表2.1中。 本章小结 啄登娜宙憋契妇沙抡匿柑谜鹰急伯秩耿疹荐呼流腮叙惭溅屑豺挥载磐搓梭D人工神经网络2D人工神经网络2 　　实际应用的神经网络，可能同时兼有其中一种或几种形式。例如，从连接形式看，层次型网络中可能出现局部的互连；从信息流向看，前馈网络中可能出现局部反馈。 　　神经网络的拓扑结构是决定神经网络特性的第二大要素，其特点可归纳为分布式存储记忆与分布式信息处理、高度互连性、高度并行性和结构可塑性。 帖蛋条内舍跺邀等刺抢减衡蠕敛提渝若统泉滤诲菏獭绦磅署涩骂耸讫吕御D人工神经网络2D人工神经网络2 　　人工神经网络的功能特性由其连接的拓扑结构和突触连接强度，即连接权值决定。 　　神经网络的全体连接权值可用一个矩阵表示，其整体内容反映了神经网络对于所解决问题的知识存储。 　　神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以使网络的输出不断地接近期望的输出。这一过程称为神经网络的学习或训练，其本质是对可变权值的动态调整。 　　人工神经网络的学习方式是决定神经网络信息处理性能的第三大要素，因此