神经网络3神经元与网络结构.pptVIP

内容安排: 一、生物神经元 二、人工神经网络结构 三、神经网络基本学习算法 ;一、生物神经元;1.1 生物神经元; 生物神经元示意图 ;树突为神经元的输入通道，其功能是将自其他神经元所接收的动作电位传送至细胞本体。其他神经元的动作电位借由位于树突分支上的多个突触传送至树突上。树突在整合自这些突触所接收到的信号、以及决定此神经元将产生的动作电位强度上，扮演了重要的角色. 轴突它是从神经元的细胞本体发出的长突起。轴突为神经元的输出通道，其功能是将动作电位自细胞本体传递出去至突触。 突触（英文：synapse）是神经元之间，或神经元与肌细胞之间通信的特异性接头。 ;1.2 突触的信息处理;2.1 人工神经网络 ; 通用模型 求和操作 响应函数;2.2 人工神经元模型 ; ;2.3 常见神经元响应函数;神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法 人工神经网络连接的几种基本形式 前向网络 (a) 从输出到输入有反馈的前向网络 (b) 用来存储某种模式序列 层内互连前向网络 (c) 限制层内同时动作的神经元；分组功能 相互结合型网络 (d);神经网络的典型结构 ;权值确定 Hebb学习规则 误差校正（纠错）学习规则 相近（无教师）学习规则 ;人工神经网络连接权的确定通常有两种方法 根据具体要求，直接计算，如Hopfield网络作优化计算 通过学习得到的。大多数人工神经网络都采用这种方法 学习方法是人工神经网络研究中的核心问题;Donall Hebb根据生理学中条件反射机理，于1949年提出的神经元连接强度变化的规则 如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强 a为学习速率，Vi, Vj为神经元i和j的输出 Hebb学习规则是人工神经网络学习的基本规则，几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形 ;用已知样本作为教师对网络进行学习 学习规则可由二次误差函数的梯度法导出 误差校正学习规则实际上是一种梯度方法 不能保证得到全局最优解 要求大量训练样本，收敛速度慢 对样本的表示次序变化比较敏感 ;3.3 无教师学习规则;一、生物神经元 二、人工神经网络结构 三、神经网络基本学习算法 作业：熟悉Matlab,用其解计算智能中的问题（包括仿真求解）