当前位置:
文档之家› 神经网络+数学建模模型及算法简介
神经网络+数学建模模型及算法简介
人工神经网络的工作原理
感知器模型
具体的: 这样的话,我们就可以得到
WT X = 0 j
一、引例
• 思路:作一直线将两类飞蠓分开
• 例如;取A=(1.44,2.10)和 B=(1.10,1.16), 过A B两点作一条直线: • y= 1.47x - 0.017 • 其中x表示触角长;y表示翼长. • 分类规则:设一个蚊子的数据为(x, y) • 如果y≥1.47x - 0.017,则判断蚊子属Apf类; • 如果y<1.47x - 0.017;则判断蚊子属Af类.
oj x2
n
-1
y = f (∑ wi xi − θ )
i =1
y = f (∑wxi ) i
i=1
n
• 参数识别:假设函数形式已知,则可以从已有的 输入输出数据确定出权系数及阈值。
简单原理
人工神经网络是根据人的认识过程而开发出的 一种算法。 假如我们现在只有一些输入和相应的输出,而 对如何由输入得到输出的机理并不清楚,那么我们 可以把输入与输出之间的未知过程看成是一个“网 络”,通过不断地给这个网络输入和相应的输出来 “训练”这个网络,网络根据输入和输出不断地调 节自己的各节点之间的权值来满足输入和输出。这 样,当训练结束后,我们给定一个输入,网络便会 根据自己已调节好的权值计算出一个输出。这就是 神经网络的简单原理。
人工神经网络的分类
按网络连接的拓扑结构分类:
层次型结构:将神经元按功能分成若干层,如输入层、 中间层(隐层)和输出层,各层顺序相连 单 纯 型 层 次 型 结 构
人工神经网络的分类
按网络内部的信息流向分类:
前馈型网络:网络信息处理的方向是从输入层到各隐 层再到输出层逐层进行
前 馈 型 网 络
u
y
-1
1 w1 j x1 + w2 j x2 − Tj > 0 输出: 输出:j = o −1 w1 j x1 + w2 j x2 − Tj < 0
则由方程w 则由方程 1jx1+w2jx2-Tj=0确定了二维平面上的一条分 确定了二维平面上的一条分 界线
人工神经网络的工作原理
感知器模型
具体的: 则由方程w 则由方程 1jx1+w2jx2-Tj=0确定了二维平面上的一条分 确定了二维平面上的一条分 界线(Why?) 界线 w1j x1+w2j x2 – Tj = 0 w1j x1 = Tj - w2j x2 x1 = (Tj -w2j x2) / w1j = - ( w2j/ w1j ) x2 +Tj / w1j = a x2 +c
>θ, ≤θ,
i
神经元的传递函数
S型传递函数 型传递函数
f(x) =
1 1+e
−x
f(x) =
2 1+e
−x
f (x) 1.0 0
−1=
1 − e− x 1+e
−x
f (x) 1.0 0.5 x 0
x
-1.0
• 注:一个神经元含有与输入向量维数相同个数的 权系数,若将阈值看作是一个权系数,-1是一个 固定的输入,另有n-1个正常的输入,则式也可表 示为: ‘ x1
• 若取A=(1.46,2.10), B=(1.1,1.6)不变,则分类直线 变为 y=1.39x+0.071 分类结果变为: (1.24,1.80), (1.40,2.04) 属于Apf类; (1.24,1.80) Apf (1.28,1.84)属于Af类 A: (1.40, 2.04)
B: (1.28, 1.84) C: (1.24, 1.80) Aph
B C A
• 哪一分类直线才是正确的呢?
Af
一、引例
• 再如,如下的情形能不能用分类直线的办法呢?
方法: 方法: 马氏距离判别法、 马氏距离判别法、 Bayes判别法等 判别法等
• 新思路:将问题看作一个系统,飞蠓的数据作为输入, 飞蠓的类型作为输出,研究输入与输出的关系。
人工神经网络模型
前言
θi
f ( xi )
信息传播与处理: 信息传播与处理:加权求和
人工神经元- 人工神经元-信息处理单元
M
∑
θi
f ( xi )
信息传播
人工神经元- 人工神经元-信息处理单元
M
∑
θi
f ( xi )
信息传播与处理
人工神经元- 人工神经元-信息处理单元
M
∑
θi
f ( xi )
ቤተ መጻሕፍቲ ባይዱ
信息输出
神经元的传递函数
人工神经元的基本构成:
x1 w1 w2 · · · xn wn
x2
θ
y
y = f (∑ wi xi − θ )
i =1
n
人工神经元- 人工神经元-信息处理单元
M
∑
θi
f ( xi )
人工神经元- 人工神经元-信息处理单元
M
∑
θi
f ( xi )
信息输入
人工神经元- 人工神经元-信息处理单元
M
∑
神经网络的作用
• 网络说话 • 人们把一本教科书用网络把它读出来(当 然需要通过光电,电声的信号转换);开 始网络说的话像婴儿学语那样发出“巴、 巴、巴”的声响;但经过B-P算法长时间 的训练竟能正确读出英语课本中 90%的词 汇. • 从此用神经网络来识别语言和图象形成一 个新的热潮。
人工神经网络基本特点
所谓人工神经网络就是基于模仿生物大脑的结 构和功能而构成的一种信息处理系统。 粗略地讲,大脑是由大量神经细胞或神经元组 成的。每个神经元可看作是一个小的处理单元,这 些神经元按某种方式连接起来,形成大脑内部的生 理神经元网络。 这种神经元网络中各神经元之间联结的强弱, 按外部的激励信号做自适应变化,而每个神经元又 随着所接收到的多个接收信号的综合大小而呈现兴 奋或抑制状态。
神经网络的学习规则
关键在于如何决定每一神经元的权值。 常用的学习规则有以下几种: (1)Hebb规则 (2)Delta规则 (最小均方差规则 ) (3)反向传播学习方法 (4)Kohonen学习规则(用于无指导训练网络 ) (5)Grosberg学习方法
神经网络常用模型
共70多种,具有代表性的有: (1)感知器(Perceptron) (2)多层前馈(BP)网络 (3)Hopfield网络 (优化) (4)Boltzmann机(在BP中加入噪声) (5)双向联想记忆网络(快速存储)
生物神经网
基本工作机制:
一个神经元有两种状态——兴奋和抑制 平时处于抑制状态的神经元,当接收到其它神 经元经由突触传来的冲击信号时,多个输入在 神经元中以代数和的方式叠加。
进入突触的信号会被加权,起兴奋作用的信号为正, 起抑制作用的信号为负。
如果叠加总量超过某个阈值,神经元就会被激 发进入兴奋状态,发出输出脉冲,并由轴突的 突触传递给其它神经元。
(1)可处理非线性 (2)并行结构.对神经网络中的每一个神经元来说;其 运算都是同样的.这样的结构最便于计算机并行处理. (3)具有学习和记忆能力.一个神经网络可以通过训练 学习判别事物;学习某一种规律或规则.
(4)对数据的可容性大.在神经网络中可以同时使用量化 数据和质量数据(如好、中、差、及格、不及格等). (5)神经网络可以用大规模集成电路来实现.如美国用 256 个神经元组成的神经网络组成硬件用于识别手写体的邮政编 码.
人工神经网络的工作原理
感知器模型(单层前向神经网络)
输出类别指示
输入样本
X = ( x1,x2 ,...xi ,...,xn )T
Y = (y1 , y2 ,...yi ,..., ym )T
j=1,2,…,m
W j = ( w1 j ,w2 j ,...wij ,...,wnj )T
人工神经网络的工作原理
• f(X)是激发函数;它可以是线性函数,也可以 是非线性函数.例如,若取激发函数为符号函数
1, x > 0, sgn( x) = 0, x ≤ 0.
1, y = f ( z) = 0,
m i =1 m i
z = ∑ wi xi − θ
i =1
i
m
∑w x ∑w x
i =1 i
神经网络算法 简介
一、引例
• 1981年生物学家格若根(W. Grogan)和维什(W.Wirth)发现了两 类蚊子(或飞蠓midges).他们测量了这两类蚊子每个个体的翼长和触角 长,数据如下: • • • • • • • • • 翼长 1.78 1.96 1.86 1.72 2.00 2.00 1.96 1.74 触角长 类别 1.14 Apf 1.18 Apf 1.20 Apf 1.24 Af 1.26 Apf 1.28 Apf 1.30 Apf 1.36 Af • 翼长 • 1.64 • 1.82 • 1.90 • 1.70 • 1.82 • 1.82 • 2.08 触角长 1.38 1.38 1.38 1.40 1.48 1.54 1.56 类别 Af Af Af Af Af Af Af
•
图1飞蠓的触角长和翼长
一、引例
• 思路:作一直线将两类飞蠓分开
• 例如;取A=(1.44,2.10)和 B=(1.10,1.16), 过A B两点作一条直线: • y= 1.47x - 0.017 • 其中x表示触角长;y表示翼长. • 分类规则:设一个蚊子的数据为(x, y) • 如果y≥1.47x - 0.017,则判断蚊子属Apf类; • 如果y<1.47x - 0.017;则判断蚊子属Af类.
人工神经网络的生物学基础
电脉冲 输 入 树 形成 细胞体 突 信息处理 传输 轴突 触 出 突 输