ANN(人工神经网络)基础知识 |
您所在的位置:网站首页 › 神经元的结构包括什么 › ANN(人工神经网络)基础知识 |
ANN是一个非线性大规模并行处理系统 1.1人工神经元的一般模型 神经元的具有的三个基本要素1、一组连接,连接的强度由个连接上的权值表示,若为正,则表示是激活,为负,表示,抑制 2、一个求和单元:用于求各个输入信号的加权和 3、一个非线性激活函数:起到非线性映射的作用,并将神经元输出幅度限制在一定的范围内,一般限制在(0,1)或者(-1,1)之间 此外还有一个阈值 将上面这个过程进行简化: 1.1.1阈值函数(M-P模型) 线性阈值单元也叫做LTU,包括一个神经元和一组可调节的权值,神经元采用M-P模型(也就是激活函数是阈值函数) 感知器是单层前馈神经网络,只有两层,即输入层和中间层 感知器只能解决线性可分问题,不 能解决异或问题 感知器的学习算法:
感知器的局限性: 1、只能用来解决简单问题 2、感知器仅能够线性地将输入的矢量进行分类 3、当输入的一个数据比另外一个数据大或者小的时候,可能收敛比较慢。 3.1多层前馈神经网络
对于高维的数值分析,我们选择一种空间和函数作为基底。一般而言,在处理多元函数的问题的基时候 选用: 选择N个基函数,每个基函数对应一个训练数据,各基函数的形式为: 径向基函数的网络一般包括三层,包含一个有输入层,一个隐层和一个线性输出层。隐层最常用的是高斯径向基函数,而输出层最常用的是线性激活函数。RBF网络的权值训练是一层一层进行的,对径向基层的权值训练可采用无导师训练,在输出层的权值设计可采用误差纠正算法,也就是有导师训练 RBF的优点 RBF比多层前馈神经网络相比,规模大、但学习速度快、函数逼近、模式识别和分类能力都优于BP网络。 RBF神经元模型 RBF网络有三组可调参数:隐含层基函数中心、方差和隐含层单元到输出单元的权值。 如何确定这三个参数,主要是有两个方法: 1、根据经验和聚类方法选择中心和方差,当选定中心和方差后,由于输出是线性单元,他的权值可以采用迭代的最小二乘法直接计算出来。 2、通过训练样本,用误差纠正算法进行监督学习,逐步修正以上3个参数,也就是计算总的输出误差对各参数的梯度。再用梯度下降法修正待学习的参数。 一种采用K均值的聚类算法确定各基函数的额中心,以及其方差,用局部梯度下降法修正网络权值的算法如下: |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |