秋季期末总复习.ppt

解决模式分类问题时，确定网络结构的原则 输入层的神经元个数：输入样本的维数（有阈值数，加1） 中间层的层数及其神经元个数：使用者确定 输出层的神经元个数：类别数（多类取多个，两类取一个） 激活函数：所有激活函数取Sigmoid函数 解决回归问题时，确定网络结构的原则 输入层的神经元个数：输入样本的维数（有阈值数，加1） 中间层的层数及其神经元个数：使用者确定 输出层的神经元个数：1 激活函数：取Sigmoid函数或线性函数（输出层） BP学习算法的目标就是最小化目标函数，其基本思想包含两个过程： 正向传播过程 反向传播过程 目标函数： 正向传播过程: 在正向传播过程中，输入信息（训练样本）从输入层经隐层逐层处理后，传递到输出层，每一层神经元的状态仅影响下一层的神经元的状态 BP网络的结构 反向传播过程: 如果输出层的神经元的输出值与期望输出不吻合，则转为反向传播过程，把误差信号沿原来连接的路径返回，并通过修改各层神经元的权值，使得误差达到最小 BP网络的结构 在BP学习算法的推导中有三项关键技术： ①采用连续可微的变换函数（线性和Sigmoid函数） ② 应用链式求导法则求所有权值的偏导数 设 y 为某些中间变量 xi 的函数，每个 xi 又为变量 z 的函数，则 y 对 z 的导数为 ③应用梯度法更新权值 特别提示： 课堂的例子 课堂作业 课后书面作业 Good Luck in Exam ! 博弈树有哪些信誉好的足球投注网站的极大极小过程分成： 宽度优先扩展节点（深度必为偶数），并计算最底层端节点的静态估计函数值 用倒推的方法（自己下的棋取大者，对手下的棋取小者）计算出其余各层节点的静态估计函数值，最后决定走哪一步棋 第三部分 谓词逻辑与推理 谓词公式化成子句集（九步） ① 消去“蕴含”和“等价”连结词 ② 减少“非”连结词的辖域（将“～”连结词直接作用到原子公式前） ③ 对变量标准化（约束变元改名） ④消去存在量词（引入斯科伦函数） ⑤化成前束范式 ⑥将母式化成合取范式 ⑦消去全称量词 ⑧消去合取连结词 ⑨更改变量名，得到子句集 置换：形如 { t1 / v1 , …, tn / vn } 的集合，称为一个置换，其中 vi 是不同的变量，ti 是与 vi 不同的项 例或例子：设 θ＝{ t1 / v1 , …, tn / vn } 为一个置换，E是一个原子谓词公式。 则Eθ表示将E中的 vi 同时用 ti（i=1,…,n）代入后所得到的结果，Eθ称为E的一个例子 置换的合成：设有两个置换 θ＝{t1 / x1, …,tn / xn} λ＝{s1 / y1, …,sm / ym} 则θ和λ的合成是如下置换： {t1λ/x1, …, tnλ/xn, s1/y1, …, sm/ym } 其中，对于任何 tjλ=xj 者消去，yj 是 {x1,…,xn} 之一者消去，记为θλ 如何求 tiλ : λ＝{s1/y1 , … , sm/ym} 如果 ti 出现 {y1, …., ym}中的变量 yi ， 则用其对应的项 si 来代替。 合一：设 s 是一个置换， { Ei }是表达式（原子谓词公式）集合 。如果置换 s 使得 E1s=E2s=…=Eis=… 则我们称表达式集合{ Ei }是可合一的，并称 s为{ Ei }的合一者 最一般的合一者：如果 s 是{ Ei }的任意一个合一者，又存在某一个 s’，使得 s = g s’ 或者 {Ei} s = {Ei} g s’ 则称 g 是 { Ei } 的最通用（最一般）的合一者，记作mgu 分歧集（或不一致集合） 设有一非空有限公式集合F={F1,…,Fn}，从F中各个公式的第一个符号同时向右比较，直到发现第一个彼此不尽相同的符号为止，从F中的各个公式中取出那些以第一个不一致符号开始的最大的子表达式为元素，组成一个集合D，称为F的分歧集（不一致集合）。 其中，F i ( i=1,…,n)是原子谓词公式 合一算法： 设F为非空有限表达式集合，则可以按下列步骤求出mgu： ①置k=0，Fk=F,σk=ε(空置换，即不含元素的置换) ②若Fk只有一个表达式，则算法终止，其中σk就是要求的mgu ③找出Fk的分歧集Dk ④若Dk中存在元素ak和tk，其中ak是变元，tk是项，且ak不在tk中出现，则置： σk+1=σk{tk/ak} Fk+1=Fk{tk/ak} k=k+1 然后转向② ⑤算法终止，F的mgu不存在 合一算法的流程图 k=0, Fk=F,σk=ε |Fk|＝1