神经网络论文定稿.docx

感知机的学习规则 朱婷平 （江西理工大学信息工程学院，江西 赣州 341000） 指导老师：沈慧芳老师 摘 要：每个人是由很多神经元的高度互连的集合帮助完成阅读、呼吸、运动和思考。人的每个神经元都是生物组织和化学物质的有机结合。若不考虑其速度的话，可以说每个神经元都是一个复杂的微处理器。人工神经网络模拟人脑生物神经网络系统处理信息的方式，是通过经验而不是通过设计好的程序进行感知和学习的，这些构成了人工神经网络具有模式识别、预测、评价和优化决策等能力的基础。本文就第一个应用神经网络：感知机及其规则进行了综合论述。 关键词：人工神经网络；感知机；规则 Turbo Code and its Application in 3G Mobile Communication ZHU Ting-ping (Information engineering college of Jiangxi University of Science and Technology，Ganzhou，341000，China) Tutor Shen hui-fang Abstract：Turbo code has been an important pm-t of the transmit technology of digital baseband, This paper introduces the basic principles and structure of Turbo code and its key technology．Compared the performance of different decode algorithms and stopping criterion of iterative decoding algorithms，Then discussed its application in 3G mobile communication systems. Key words：The 3G mobile communication；Channel coding；Turbo code；Decode Algorithms 1概述 一般认为，包括记忆在内的所有生物神经功能，都存储在神经元和及其之间的连接上。学习被看做是在神经元之间建立新的连接或对已有的连接进行改造的过程。这便将引出下面一个问题：既然我们已经对生物神经网络有一个基本的认识，那么能否利用一些简单的人工“神经元”构造一个人小系统，然而对其进行训练，从而使他们具有一定有用功能呢？回答是肯定的。我们在这里考虑的神经元不是生物神经元。他们是对生物神经元极其简单的抽象，可以用程序或硅电路实现。虽然由这些神经元组成的网络能力远远不及人脑的那么强大，但是可对其进行训练，以实现一有用的功能。。20世纪50年代末，人们提出了一种称为感知机的神经网络，他证明了只要求解问题的权值存在，那么其学习规则通常会收敛到正确的网络权值上。整个学习过程简单，而且是自动的。只要把反映网络行为的实例提交给网络，网络就能根据实例从随机初始化的权值和偏置值开始自动地进行学习。然而感知机网络本身却具有其内在的局限性。对于某些应用问题而言，这种神经网络仍不失为一种快速可靠的求解方法。另外，对感知机网路行为的理解将会理解为更加复杂的神经网络奠定良好基础。因此，这里讨论感知机网络及其联想学习规则是十分必要的。下面首先将对学习规则的概念给出明确的定义，然后解释感知机网络及其学习规则，并讨论感知机网络的局限性。 2 学习规则 所谓学习规则就是修改神经网络的权值和偏置值的方法和过程（也称这种过程是训练算法）。学习规则的目的是为了训练网络来完成某些工作。现在有很多类型的神经网络学习规则。大致可分为有监督学习、无监督学习和增强学习。增强学习与有监督的学习类似，只是它不像有监督的学习一样为每一个输入提供相应的目标输出，而是仅仅给出一个级别。这个级别是对网络在某些输入序列上的性能测度。当前这种类型的学习要比有监督的学习少见。看起来它最为适合控制系统应用领域。无监督学习：在无监督的学习中，仅仅根据网络的输入调整网络的权值和偏置值，它没有目标输出。 2.1感知机的结构 感知机如下图所示主要由输入部分和硬极限层部分组成。 图1　　感知机的结构 感知机网络的输出由下式给出： a = hardlim(Wp + b) 该式在开发感知机的学习规则中十分有用，利用该公式可以方便地引用感知机网络输出中的单个元素。感知机的基本功能是将输入矢量转化为0或1的输出。这一功能可以通过在输入矢量空间里的作图来加以解释。以输入矢量r=2为例，对选定的权值w1、w2和b，可以在以p1和p2分别作为横、纵坐标的输入平面内画出W*P+b=w1 p1+w2 p2+b=0的