人工神经元网络模型-常用网络与算法.ppt

第四章 神经网络基本理论 典型人工神经网络 4.2.1感知器模型 4.2.1感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.1 感知器模型 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.2 多层前向BP神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.3 径向基函数神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 4.2.4 Hopfield神经网络 上 机 作 业 作业 工作方式 DHNN有两种工作方式：串行（异步）工作方式和并行（同步）工作方式 （1）串行工作方式 定义：在某一k时刻，只有一个神经元i的状态按照 和 发生变化，网络中其余n-1个神经元的状态保持 不变，此时称网络为串行（异步）工作方式。 经过一步更新后， 神经网络的状态为： 工作方式 例题1：考虑一个含有3个神经元的离散Hopfield网络，网络权值与阈值如图，初始状态为(y1(0), y2(0), y3(0))=(0, 0, 0).试求更新后的网络状态。 工作方式 解：不失一般性，假设状态更新的神经元为v1，v2，v3。 转移概率为1/3 工作方式 解：不失一般性，假设状态更新的神经元为v1，v2，v3。 工作方式 DHNN有两种工作方式：串行（异步）工作方式和并行（同步）工作方式 （2）并行工作方式 定义：在某一k时刻，有多个神经元i的状态按照 和 发生变化，网络中其余神经元的状态保持不变 此时称网络为并行（同步）工作方式。如果所有神经元的状态都发生变化， 则称为全并行工作方式，计算方法为 稳定性 （1）能量函数 Hopfield网络的状态要么在同一“高度”上变化，要么从上向下转移 Hopfield利用非线性动力学系统理论中的能量函数研究网络的稳定性， 引入能量函数的表达式为 那么，Hopfield网络中的状态变化将导致能量函数的下降，并且能量函数的 极小值点与网络的稳定状态有紧密的关系。 稳定性 （2）稳定性定理 离散 Hopfield网络的稳定性与能量函数的局部极小点是一一对应的。 例2：求例1中各状态的能量。 解：首先看状态(1, 1, 1)的能量 例2：求例1中各状态