0 绪论
应用范围
- 模式识别
- 最优化问题计算
- 自动控制
- 信号处理
- 图像处理
- 人工智能
1 基本概念
1.1 神经元模型
- MP模型
思想:神经细胞的工作方式处于兴奋或抑制。基于此,引入硬极限函数。
神经元之间的信号连接强度取决于突触状态,在MP模型中,神经元的每个突出的活动前度用一个固定的实数即权值来模拟,每个神经元模型都可以从数十个甚至上百个其他神经元接收信息,产生兴奋和冲动。当刺激达到阈值时,就使神经元产生动作电位,若输入总和低于阈值,则不产生任何动作。
xi为神经网元的输入,wi为相应的连接权值,T为神经元的兴奋阈值,y为神经元的输出。
y=1 if ∑wx≥T
y=0 if ∑wx<T
单个MP神经元模型可以实现与、或、与非、或非等二值逻辑运算,但是不能实现异或运算,而且其权值无法调节,因此缺乏一个关键因素,即学习能力。
- 一般神经元模型
- a1~an为输入向量的各个分量
- w1~wn为神经元各个突触的可调输入权值
- b为偏置信号(用于建模神经元的兴奋阈值)θ
- f为激励函数,,一般sum替换为基函数u。
- t为神经元输出
t=f(u(WX-b))
采用的基函数类型有线性函数(sum),距离函数,椭圆函数等,激励函数可以是线性也可以是非线性的,常用的激励函数有硬极限函数y=f(u)=1,u>0;0,u<0;即f为符号函数,或者采用线性函数(y=f(u)=u)和饱和线性函数(y=f(u)=1/2*(|u+1|-|u-1|));其他还有Sigmoidal函数(S 函数),高斯函数。
2 神经元学习算法
神经网络的学习有两种形式:有导师学习和无导师学习。有导师学习的训练样本是输入输出对{pi,di},其中pi为样本输入,di为样本输出(教师信号);训练目的是通过调节各神经元的自由参数,使网络产生期望的行为,即对给定的输入pi,网络输出尽可能的接近di。无论有导师还是无导师学习,都要通过调整神经元的自由参数(权值或阈值)来实现。
对单个神经元,设权矢量为W=[w1,w2,...wn,θ],输入样本为X=[x1,x2,...xn,-1],这样阈值就并到权矢量中,这样当前权值为W(k)=[w1,w2,...wn,θ]。对有导师学习,假设输入X对应的期望输出为d,则神经元的学习算法的内容就是确定神经元的权值调整量ΔW(k),并得到权值调整公式为
W(k+1) = W(k)+ηΔW(k)
η为学习率,且0<η<1。