- 1、本文档共99页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第五章:神经网络理论基础;神经生理学和神经解剖学证明,人的思维是由脑完成的。
神经元是组成人脑的最基本单元,能够接受并处理信息。
人脑约由101l~1012个神经元组成,每个神经元约与104~105个神经元通过突触联接,形成错纵复杂而又灵活多变的神经网络。
虽然,每个神经元都比较简单,但是,如此多的神经元经过复杂的联接却可以演化出丰富多彩的行为方式。
人脑是一个复杂的信息并行加工处理巨系统。
探索脑组织的结构、工作原理及信息处理的机制,是整个人类面临的一项挑战,也是整个自然科学的前沿。 ;§5.1 引言;§5.1 引言;§5.2 神经网络模型;图5.2.1是两个生物神经元的连接情况 ;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型; ;(3) 对称型阶跃函数 ;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;§5.2 神经网络模型;一、神经网络的工作过程 ;二、神经网络的特点 ;是存贮在一个地方,而是分布在不同的位置。即特定的信息不是存贮在神经网络的某一部分,而是分布在网络中所有神经元之间的连接权值上。这种分布式存贮方式的优点是当神经网络的局部受损时,仍具有恢复原来信息的能力。 ;神经网络中各神经元之间的权值可以事先定出,也可以按照给定的学习规则自动的调整。神经网络的自学习决定了神经网络具有自组织动态演化性能。 ;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基???;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;§5.3 神经网络学习基础;解之得;当 时,解方程组 即可得其对应的特征向量:;二、泰勒级数(Taylor series) ;由式(5.3.17)可知,解析函数 可以取其Taylor级数的有限项近似估计。如果 ,则估计值是精确的;当 越接近于 时,估计值越接近于精确值;若 离 较远,则只有更高阶的Taylor级数近似估计值接近于精确值。这是因为Taylor级数中每个相邻的后继项都包含 的高次项, 越接近于 ,这些项将按几何级数减少。 ;给定 n 维多变量函数 ,该函数在点 上的Taylor级数展开为:;式(5.3.18)给出的多变量函数的Taylor级数展开很繁琐,但是如果利用梯度和Hessian矩阵来描述,那么多变量函数的Taylor级数展开会变得十分整洁,于是有; Hessian矩阵 ; Hessian矩阵;当 时,若对于所有 都有 成立,则称 为 的强极小点, 为函数 的强极小值。若对所有 都有 成立,则称 为 的全局极小点, 为函数 的全局极小值。;当 时,若对于所有 都有 成立,则称 为 的强极大点, 为函数 的强极大值。若对所有 都有 成立,则称 为 的全局极大点, 为函数 的全局极大值。;① 多变量函数极值存在的必要条件 ;由于 是函数 的极小点,故 不能小于 ,与式(5.3.23)相矛盾。因此, 不能成立,由式(5.3.22)可知唯一的选择是:;定义5.3.8:正定矩阵(Positive definite matrix)
一个矩阵 ,对于任意不等于零的向量 ,都有 成立,则称 为正定矩阵。;② 多变量函数极值存在的充分条件 ;由式(5.3.27)可知对于函数 存在强极小点的二阶充分条件是其Hessian矩阵是一个正定矩阵。当然函数 有正定的Hessian矩阵
文档评论(0)