神经元模型和网络结构

http://blog.csdn.net/u011308691/article/details/19200509

一：神经元模型

1.单输入神经元

神经元是神经网络操作的基本信息处理单位。一个单输入神经元如下图所示。标量输入p乘上权值w得到wp，再将其送入累加器；另一个输入1乘上偏置值b，再将其送入累加器。偏置值b的作用是根据其为正或负，相应的增加或者降低传输函数的网络输入。累加器输出n通常被称为传输函数f的净输入，当n被送到传输函数f时，在f中产生神经元的标量输出a。

2.传输函数。

上图中的传输函数可以是n的线性或者非线性函数，可以用特定的传输函数满足神经元要解决的问题。下面将讨论三种传输函数：

（1）硬极限传输函数；

（2）线性传输函数；

（3）对数s形传输函数；

目前工程和设计中运用的传输函数有很多，常用的传输函数都在下表中。当然，也可以根据特定的问题定义自己需要的传输函数。

3.多输入神经元

                                                        具有R个输入的神经元的简化符号

左边垂直的实心条表示输入向量p，p下面的变量R×1表示p的维数，也即输入是由R个元素组成的一维向量。这些输入被送人权值矩阵W，W有1行R列。

常量1则作为输入与标量偏置值b相乘。传输函数f的净输入是n，它是偏置值b与积Wp的和。在这种情况下，神经元的输出a是一个标量。如果网络有多个

神经元，那么网络输出就可能是一个向量。
        请注意，网络的输入是由问题的外部描述决定的。

二：网络结构

下图是由S个神经元组成的单层网络

 该层包括权值矩阵、累加器、偏置值向量b、传输函数框和输出向量a。

 输入向量p的每个元素均通过权值矩阵W和每个神经元相连。
        输入向量通过如下权矩阵W进入网络：

同样，具有S个神经元、R个输入的单层网络也能用简化的符号表示为如图下所示的形式。

  层上标  现在考虑具有几层神经元的网络。每个变量都附加一个上标来表示其所处层次。图下所示的三层网络就使用了这种标记方法。

 输入层 隐含层  如果某层的输出是网络的输出，那么称该层为输出层，而其他层叫隐含层。
        前面讨论的三层网络同样也可以用简化的符号表示，

递归网络
        延时  在讨论递归网络前，首先介绍一些简单的构造模块。第一种是延时模块，如下图

积分器  另一种将用于连续时间递归网络的构造模块是积分器，如下图

递归网络  一个递归网络是一个带反馈的网络，其部分输出连接到它的输入。图2-13给出了一种类型的离散时间递归网络。

如何选取一种网络结构
        应用问题的描述从如下几个方面非常有助于定义网络的结构：
        1）网络的输入个数=应用问题的输入数；
        2）输出层神经元的数目=应用问题的输出数目；

3）输出层的传输函数选择至少部分依赖与应用问题的输出描述。