神经网络

神经网络是常见的机器学习模型。通过模拟人类神经网络的运行方式，来达到学习的目的。

基本原理

假设如下的图为一个神经元的工作原理：

输入N维的X，每个Xi经过权重wi处理后，相加得到能量值，作为神经元的输入。如果这个能量值超过一个阈值，则神经元被激发，输出正信号。

现在我们把神经元增加为M个，则有如下的模型：

第一层为输入层，N个输入单元。通常一个N维的特征向量，每个元素对应一个输入；

第二层为隐含层，M个输入单元。

每个输入i，隐含层j对应一个转移权重Wij。那么整个模型对应一个权重矩阵W（N*M）。

每个隐含层还对应一个非线性的激励函数F，一个偏移量b。t=F(Wij*Xi+b)作为这个隐含层的输出。

最终可以表示成：

也就是一个线性变换，非线性阈值输出的模式。

F函数

F函数通常为一个非线性函数，当输入小于阈值时，输出0，大于则输出1。常见的函数如下：

斜面函数：

图像如下：

这个函数主要模拟人的神经突触细胞的工作原理。突触处于两种状态，兴奋或抑制，当刺激达到一定水平时，激发兴奋状态。

当然，如果需要输出为连续值，我们可以使用logistic函数；

logistic函数：

图形如下：

双S函数：

Logistic与双S图形如下：

偏移量b

能量值大于一定的值时，才会激发神经元。除了定义F函数外，还可以加上一个偏移量b来更好地控制输出结果。

 

 

直观理解

神经网络的输出可以看做如下的公式：

也就是一个线性变换W，加一个非线性函数f,最终得到一个非线性的变换模型。

而f通常为一个阈值函数，WA+B大于某个值时，输出1，否则输出0。

那么我们可以把W看做一个线性变换，WX+B=0看做变换后空间中的超平面，那么输出的结果就是A处于超平面的哪一侧。

 

从几何角度来看，就是在线性变换后的空间中寻找一个超平面来划分样本。

 

如果是多层的话，就是不同空间中的多个超平面分隔的一个空间来划分样本。

 

反馈规则

上面是一般神经网络的正向传导过程，那么如何通过输出来反馈训练模型？

Belta rule

Belta规则是神经网络的反馈规则。是一种有监督的方式。

我们知道训练就是我们用已有正确的结果去反向引导学习。那么神经网络中，我们希望通过正确的输出引导神经网络得到正确的模型。

 

神经网络中的两个变量分别是权重矩阵W与激励函数F。其中常见的做法是通过训练权重矩阵W来训练模型。

 

设tj为节点j的期望输出值，yj为当前输出值，那么反馈可以用如下的最小二乘误差来定义：

我们可以采用常见的梯度下降法来求解。求负梯度方向，得到：

根据微分的链式规则，不断变换，如下为wiki的推导过程：

根据链式规则：

其中hj表示其输出，即

上式变为：

因为

最终得到：

 

 

hebbian theory

Hebbian认为，前后两个神经元同时发生兴奋或抑制时，增强这种联系。根据这个理论，权重更新时，根据前后两个神经元的输出，更新其权重。同时兴奋或抑制，权值增加；否则，权值减少。

公式如下：

表示j->i的更新值。

其中yita是学习率。A表示i输出，o表示j输出，也就是i的输入。

通常来说hebb是很不稳定的反馈方法，不常用作反馈规则。

matlab的编程可参考blog：

http://www.cnblogs.com/heaad/archive/2011/03/07/1976443.html  

推荐阅读：

http://blog.csdn.net/zzwu/article/details/574931 

http://en.wikipedia.org/wiki/Hebbian_theory 

http://en.wikipedia.org/wiki/Delta_rule