人工神经网络：模型、算法及应用-PPT课件（全）.pptx

人工神经网络： 模型、算法及应用;2;3;4;1.1 人工神经网络的概念 ;6;1.2 人工神经网络的发展 ;8;1.3 人脑;1.3 人脑;11;1.4 Hebb法则;13;1.5 神经元模型;15;1.6 神经网络的拓扑结构;1.6 神经网络的拓扑结构;18;1.7 知识表示;20;1.8 神经网络的学习算法;1.8 神经网络的学习算法;23;1.9 神经网络的学习任务;1.9 神经网络的学习任务;1.9 神经网络的学习任务;1.9 神经网络的学习任务;28;1.10 小结; 人工神经网络： 模型、算法及应用;31;32;33;输入权值：一个感知机可以接收多个输入，每个输入上有一个权值，此外还有一个偏置。 激活函数：感知机的激活函数有多种选择，例如上一章中介绍的阶跃函数、sigmoid函数等等。 输出：感知机的输出为;单层感知机：解决简单的线性可分问题，仅含输入和输出层。 多层感知机：可以解决非线性可分问题，除了输入和输出层还包含一个以上的隐藏层。;?;37;假设有一个数据集，给出了部分房子的面积和价格、房间数量，数据如下表2.4所示。 确定一个函数来拟合表格中的数据，并用来预测房价。最开始，假设将近似为的线性函数，见公式（2.7）。 定义一个函数来度量输出值对应的真实值之间的差距。该函数定义如式（2.9），可称之为代价函数。;?;40;Iris（鸢尾花）数据集：该数据集中每个数据包含四个特征Sepal.Length（花萼长度）、Sepal.Width（花萼宽度）、Petal.Length（花瓣长度）、Petal.Width（花瓣宽度），不同特征的数据对应不同类型的花，目标是将这些花正确分类到对应类别：（Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），Iris Virginica（维吉尼亚鸢尾）。 导入数据集：Iris = datasets.load_iris() X = iris.data[:,[2,3]] Y = iris.target 切分成训练集和测试集：StandardScaler（）或Train_test_split 训练模型：Pn = Perceptron() Pn.fit(X_train_std,Y_train) 可视化结果：; 人工神经网络： 模型、算法及应用;43;44;45;前馈神经网络： 作为人工智能领域较早提出的简单神经网络类型，它是神经网络中一种典型的分层结构，信息从输入层进入网络后逐层向前传递至输出层。根据前馈神经网络中神经元转移函数、隐含层数及权值调整规则的不同，可以形成具有各种功能???点的神经网络。 接下来将介绍多层前馈神经网络模型结构，然后重点阐述两种常见的前馈神经网络模型：BP神经网络、RBF神经网络，其次分析多层前馈神经网络的泛化能力和逼近能力，最后引入一个应用实例，采用多层前馈神经网络实现人脸识别。;47;3.2 多层前馈神经网络模型结构;49;3.3 BP神经网络 3.3.1 BP神经网络的介绍 ;3.3 BP神经网络 3.3.2 BP算法 ;3.3 BP神经网络 3.3.2 BP算法 ;3.3 BP神经网络 3.3.2 BP算法;3.3 BP神经网络 3.3.2 BP算法;3.3 BP神经网络 3.3.3 编程实战;3.3 BP神经网络 3.3.3 编程实战;57;3.4 RBF神经网络 3.4.1 什么是RBF神经网络;3.4 RBF神经网络 3.4.1 什么是RBF神经网络;3.4 RBF神经网络 3.4.2 RBF神经网络的学习过程;3.4 RBF神经网络 3.4.3 RBF神经网络与BP神经网络的区别;62;3.5 泛化能力 3.5.1 什么是泛化;3.5 泛化能力 3.5.1 什么是泛化;3.5 泛化能力 3.5.2 如何提高泛化能力;3.5 泛化能力 3.5.2 如何提高泛化能力;67;3.6 函数逼近 3.6.1 通用逼近定理;3.6 函数逼近 3.6.1 通用逼近定理;3.6 函数逼近 3.6.2 逼近误差的边界;3.6 函数逼近 3.6.2 逼近误差的边界;3.6 函数逼近 3.6.3 维数灾难 ;3.6 函数逼近 3.6.3 维数灾难 ;74;3.7 反向传播算法的优点和缺点 3.7.1 反向传播算法的优点 ;3.7 反向传播算法的优点和缺点 3.7.1 反向传播算法的优点 ;3.7 反向传播算法的优点和缺点 3.7.2 反向传播算法的缺点 ;3.7 反向传播算法的优点和缺点 3.7.2 反向传播算法的缺点 ;3.7 反向传播算法的优点和缺点 3.7.2 反向传播算法的缺点 ;80;3.8 人脸识别应用 3.8.1 人脸图像的小波变换 ;3.8