人工神经网络和其应用培训课件.pptxVIP

人工神经网络和其应用;第八章人工神经网络及其应用;第八章人工神经网络及其应用;第八章人工神经网络及其应用;八.一神经元与神经网络;八.一.一生物神经元de结构;八.一.一生物神经元de结构;八.一.一生物神经元de结构;八.一神经元与神经网络;八.一.二神经元数学模型;;

线性环节de传递函数:

:一；；；及其组合等.

;八.一.二神经元数学模型;八.一.二神经元数学模型;八.一.二神经元数学模型;八.一.二神经元数学模型;八.一.二神经元数学模型;;八.一神经元与神经网络;八.一.三神经网络de结构与工作方式;一.神经网络de结构

（一）前馈型（前向型）

;一.神经网络de结构

（二）反馈型;二.神经网络de工作方式

;探索时期（开始于二零世纪四零年代）:

;一九五八年,罗森布拉特（F.Rosenblatt）提出感知器模型（perceptron）.

一九五九年,威德罗(B.Widrow)等提出自适应线性元件（adaline）网络,通过训练后可用于抵消通信中de回波和噪声.一九六零年,他和M.Hoff提出LMS（LeastMeanSquare最小方差）算法de学习规则.;一九六九年,明斯基（M.Minsky）等在《Perceptron》中对感知器功能得出悲观结论.

一九七二年,T.Kohonen和J.Anderson分别提出能完成记忆de新型神经网络.

一九七六年,S.Grossberg在自组织神经网络方面de研究十分活跃.

;第二次热潮时期:二零世纪八零年代至今

;神经网络控制de研究领域

;第八章人工神经网络及其应用;八.二BP神经网络及其学习算法;八.二BP神经网络及其学习算法;八.二.一BP神经网络de结构;;八.二.一BP神经网络de结构;八.二BP神经网络及其学习算法;（一）是否存在一个BP神经网络能够逼近给定de样本或者函数.

;八.二.二BP学习算法;八.二.二BP学习算法;八.二.二BP学习算法;八.二.二BP学习算法;八.二BP神经网络及其学习算法;八.二.三BP算法de实现;八.二.三BP算法de实现;八.二.三BP算法de实现;八.二.三BP算法de实现;;;八.三BP神经网络de应用;八.三.一BP神经网络在模式识别中de应用;例输入输出样本:

测试数据:

;八.三.一BP神经网络在模式识别中de应用;测试结果表明:除了八以外,所有被测de数字都能够被正确地识别.

对于数字八,神经网络de第六个结点de输出值为零.五三,第八个结点de输出值为零.四一,表明第八个样本是模糊de,可能是数字六,也可能是数字八,但也不完全确信是两者之一.;八.三.二BP神经网络在软测量中de应用;软测量系统de设计:

辅助变量de选择:变量类型、变量数量和检测点位置de选择.

数据采集与处理.

软测量模型de建立:通过辅助变量来获得对主导变量de最佳估计.;序批式活性污泥法（SBR）;BOD、COD、N和P:为软测量模型de主导变量.

ORP、DO、PH和MLSS:辅助变量.

三层BP网络:;第八章人工神经网络及其应用;八.四Hopfield神经网络及其改进;八.四Hopfield神经网络及其改进;;;工作方式:

;（异步或同步方式）;;稳定性定义:

若从某一时刻开始,网络中所有神经元de状态不再改变,即,则称该网络是稳定de,为网络de稳定点或吸引子.

Hopfield神经网络是高维非线性系统,可能有许多稳定优态.从任何初始状态开始运动,总可以到某个稳定状态.这些稳定状态可以通过改变网络参数得到.

;稳定性定理证明:一九八三年,科恩（Cohen）、葛劳斯伯格（S.Grossberg）.

稳定性定理（Hopfield）

;八.四Hopfield神经网络及其改进;八.四.二连续型Hopfield神经网络及其VLSI实现;八.四.二连续型Hopfield神经网络及其VLSI实现;八.四.二连续型Hopfield神经网络及其VLSI实现;八.四.二连续型Hopfield神经网络及其VLSI实现;八.四.三随机神经网络;;八.四.三随机神经网络;八.四.三随机神经网络;二.高斯机;八.四.四混沌神经网络;一.混沌（续）

混沌学d