1.线性分类与感知机
我们学习了线性回归、线性分类和感知器模型。深入研究了监督学习背景下的训练过程、数据集和权重更新。此外,它还涵盖了诸如积分和触发模型、序列的构建以及在解决问题中使用概率等概念。
还涉及贝叶斯公式在二元分类问题中的应用,以及softmax回归在多类回归场景中的使用。此外,还探讨了神经元在生物和人工神经网络中的作用,强调了理解潜在功能和机制的重要性。
2.多层前馈网络与误差反传算法
在输入和输出层间加一或多层隐单元,构成多层感知器(多层前馈神经网络)。 加一层隐节点(单元)为三层网络,可解决异或(XOR)问题。由输入得到两个隐节点、一个输出层节点的输出:
可得到:
三层感知器可识别任一凸多边形或无界的凸区域。更多层感知器网络,可识别更为复杂的图形。
对于多层感知器网络,有如下定理:
(1)若隐层节点(单元)可任意设置,用三层阈值节点的网络,可以实现任意的二值逻辑函数。
(2)若隐层节点(单元)可任意设置,用三层S型非线性特性节点的网络,可以一致逼近紧集上的连续函数或按 范数逼近紧集上的平方可积函数。
3.BP算法
多层感知机是一种多层前馈网络,由多层神经网络构成,每层网络将输出传递给下一层网络。神经元间的权值连接仅出现在相邻层之间,不出现在其他位置。如果每一个神经元都连接到上一层的所有神经元 (除输入层外),则成为全连接网络。
多层前馈网络的反向传播 (BP)学习算法,简称BP算法,是有导师的学习,它是梯度下降法在多层前馈网中的应用。 网络结构:见图,𝐮(或𝐱 )、𝐲是网络的输入、输出向量,神经元用节点表示,网络由输入层、隐层和输出层节点组成,隐层可一层 ,也可多层(图中是单隐层),前层至后层节点通过权联接。由于用BP学习算法,所以常称BP神经网络。
BP学习算法由正向传播和反向传播组成:
① 正向传播是输入信号从输入层经隐层,传向输出层,若输出层得到了期望的输出,则学习算法结束;否则,转至反向传播。
② 反向传播是将误差(样本输出与网络输出之 差)按原联接通路反向计算,由梯度下降法调整各层节点的权值和阈值,使误差减小。
优点:学习完全自主; 可逼近任意非线性函数;
缺点:算法非全局收敛; 收敛速度慢; 学习速率α选择