经元工作机制:生物神经元有两种状态,既兴奋和抑制状态。平时处于抑制状态,收到其他神经元传来的兴奋电位,并且多个输入点位以代数和的形式叠加,若总量超过某一阈值生物神经元就会被激发兴奋状态。?人工神经元模仿人脑构成,其基本单元为人造神经元,又称节点或网点。作用是若干个输入加权求和并将这个加权和非线性处理后输出。Р人工神经网络的构成Р最简单节点如下图,它有多个输入,单个输出;具有内部阈值;其特性是非线性函数。非线性特性表示神经元的活化性,内部阈值表示神经元由自发发放到受到刺激发放的过渡的阈值。Р人工神经网络的构成Р人工神经网络的构成Р这f(·)等位神经元活化函数(Activation),非线性函数。?常用的活化函数有阶跃函数(或称阈值逻辑特性函数)Р以及S型函数,即Sigmoid函数Р人工神经网络的构成Р网络拓扑?网络拓扑是指网络的结构以及神经元之间的联结方式。?根据联接方式的不同可分为反馈型人工神经网络和非反馈型人工神经网络。?对于非反馈性人工神经网络,若结构分层,且每一层神经元只与上一层神经元相联,称为前馈型人工神经网络。服从规则:1.同层之间不联接2.处于相邻层的节点之间可进行联接。?前馈型人工神经网络没有记忆功能,反馈性人工神经网络有短期记忆性。?网络的输入输出节点由于可与外界相连,直接受环境影响,称为可见层,而其他的中间层称为隐藏层。Р人工神经网络的构成Р网络学习算法?网络的学习算法是以满足网络所需的性能为目标,决定联接各神经元的初始权值及在训练中调整全职的方法。?学习方法可分为监督学习与非监督学习。?监督学习:有导师学习,训练时,同时向网络提供输入模式及输出的样板模式(导师),在不断输入不同训练模式的同时调整权值,从而使输出模式尽量接近样板模式?非监督学习:无导师学习,自动聚类过程,通过训练模式的加入,不断调整权值以使输出能够反映输入模式的分布特点Р人工神经网络的构成
全文预览
