课件1-1 智能系统课件教材课程.ppt

学习规则的统一形式 用矢量矩阵来表示为： 此处，E为误差矢量，有E = T - A 用来修正感知器权值的学习算法在MATLAB6.1神经网络工具箱中已编成了子程序，成为一个名为learnp.m的函数 dW = learnp([],p,[],[],[],[],e,[],[],[],[],[]); dB = learnp(b,ones(1,Q),[],[],[],[],e,[],[],[],[],[]); 网络的训练 人工神经网络权值的确定不是通过计算，而是通过网络的自身训练来完成的 借助于计算机的帮助，几百次甚至上千次的网络权值的训练与调整过程能够在很短的时间内完成。 感知器设计训练的步骤 １）对于所要解决的问题，确定输入矢量P，目标矢量T，并由此确定各矢量的维数以及确定网络结构大小的神经元节点数目：r, s, 和q； ２）参数初始化： a) 赋给权矢量W在(-1, 1)的随机非零初始值； b) 给出最大训练循环次数； 1.6 多层网络的设计原则 在设计多层网络时，隐含层的激活网络应采用非线性的，否则多层网络的计算能力并不比单层网络更强 两层线性网络的输出A2为 1.7 如何学习人工神经网络 人工神经网络的设计 人工神经网络应用 特点： 根据要求设计网络输入到输出的某种（非线性）关系式 神经网络的输入/输出关系式是根据网络结构写出；网络权值的设计往往是通过训练而不是根据某种性能指标计算出来的 应用神经网络解决实际问题的关键在于设计网络 1.8 人工神经网络的设计关键 1）人工神经网络结构的设计（不同类型） 2）网络所具有的功能（解决不同问题） 3）算法与学习规则（决定是否有效及效率） 4）网络训练（编程、上机训练） 5）适用范围（性能的了解） 6）应用效果（性能的对比） 学习重点 学习典型人工神经网络的设计 掌握不同神经网络的特性、功能与适用范围（不同性能之间的对比） 知道如何应用网络 1.9人工神经网络组成的信息处理系统所具有的特性 1）非线性 2）多变量系统 3）学习与自适应 4）并行分布处理 5）数据融合的容错性 6）硬件实现 人工神经网络的应用 （１）模式信息处理和模式识别 （２）最优化问题计算 （3）信息的智能化处理 （4）复杂控制 （5）信号处理 用MATLAB计算人工神经网络输出 常用的单层神经元激活函数有： 1）输出为{0,1}的硬函数：hardlim.m 网络输出的计算公式为： A = hardlim ( W*P + B ); 2）输出为{-1,1}的二值函数：hardlims.m 网络输出的计算公式为： A = hardlims ( W*P + B ); 3）线性函数：purelin.m 网络输出的计算公式为： A = purelin ( W*P + B ); 4）对数S型函数： logsig.m 网络输出的计算公式为： A = logsig ( W*P + B ); 5）双曲正切S型函数： tansig.m 网络输出的计算公式为： A = tansig ( W*P + B ); 【例1.1】一个具有双曲正切S型激活函数的单层网络，输入矢量有4组，每组3个分量；输出矢量有5个神经元。假定输入矢量和权矢量均取值为1，试用MATLAB计算网络的输出。 解： % outa.m 文件名 Q = 4; % 列数 R = 3; % 行数 S = 5; % 神经元数 W = ones ( S, R ); % 将数1赋予SxR维权矩阵W B = ones ( S, Q ); % 将数1赋予SxQ维偏差矩阵B P = ones (R, Q ); % 将数1赋予RxQ维输入矩阵P n = W*P+B; % 计算加权输入和 A = tansig(n) % 计算网络输出 》outa A = 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 0.9993 【例1.2】用MATLAB写出计算由图1.9所表示的三层神经网络的每层输出表达式。 已知：P = [ 0.1 0.5; 0.3 -0.2]; S1 = 2;