神经网络基础及规则
神经元模型
特点:
- 多个输入,单个输出
- 不同输入权重不同
- 多输入累加整合
- 阈值特性
激活函数
激活函数(Activation Function):也叫连接函数、传递函数、变换函数或激励函数。用于模拟神经元输出与其激活状态之间的联系:输入达到某个阈值后达到激活状态,否则为抑制态。
对神经网络来说,激活函数的主要作用为:进行线性变换,增加系统的非线性表达能力。
常见的激活函数如下:
神经网络模型分类
按照信息流向可分为:前馈型网络和反馈型网络。
- 前馈型网络:网络信息从输入层到各隐藏层再到输出层逐层前进。
- 反馈型网络:反馈网络中所有节点都具有信息处理功能,并且每个节点既可以接受输入,同时又可以进行输出。
1 .前馈型神经网络(FeedForward NN)
是一种最简单的神经网络,采用单项多层结构,各神经元分成排列,且每个神经元只与前一层的神经元相连,接收前一层的输出,并输出给下一层,各层间没有反馈。
前馈神经网络示意图如下图所示(单隐层):
- 输入节点(Input Nodes):外界信息输入,不进行任何计算,仅向下一层节点传递信息。
- 隐藏节点(Hidden Nodes):接收上一层节点的输入,进行计算,并将信息传递到下一层节点。
- 输出节点(Output Nodes):接收上一层节点的输入,进行计算,并将结果输出。
输入层和输出层必须有,隐藏层可以没有,这样就是单层感知器。隐藏层也可以不止一层,有隐藏层的前馈网络即为多层感知器。
2 .反馈型神经网络(FeedBack NN)
又称递归网络,回归网络。是一种将输出经过一步时移再接入到输入层的神经网络系统。神经元可以互连,有些神经元的输出会被反馈至同层甚至前层神经元。
常见的有:Hopfield神经网络,Elman神经网络,Boltzmann机等
前馈神经网络和反馈神经网络的主要区别:
- 前馈神经网络:各层神经元之间无连接,神经元只接受上层传来的数据,处理后传入下一层,数据时正向流动。 反馈神经网络:各层间神经元有连接,数据可以在同层间流动或反馈至前层。
- 前馈神经网络:不考虑输出与输入在时间上的滞后效应,只表达输出与输入的映射关系。 反馈神经网络:考虑输出与输入之间在时间上的延迟,需要用动态方程来描述系统的模型。
- 前馈神经网络的学习主要采用