本文详细介绍了人工神经网络的基本结构，包括神经元模型、权重和阈值的概念，以及激活函数的作用。重点讨论了训练神经网络的不同方法，如感知器训练、delta规则和反向传播算法。在训练部分，提到了反向传播算法的原理和在多层网络中的应用。此外，还展示了在R语言中实现神经网络的`neuralnet`函数的基本用法。
人工神经网络（ANN）
神经网络基本结构
人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其它神经元连接；存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。可把 ANN 看成是以处理单元 PE(processing element) 为节点，用加权有向弧(链)相互连接而成的有向图。令来自其它处理单元(神经元)i的信息为Xi，它们与本处理单元的互相作用强度为 Wi，i=0,1,…，n-1，处理单元的内部阈值为 θ。那么本神经元的输入为：
而处理单元的输出为：
式中，xi为第 i 个元素的输入，wi 为第 i 个元素与本处理单元的互联权重。f 称为激发函数(activation function)或作用函数。它决定节点(神经元)的输出。该输出为 1 或 0 取决于其输入之和大于或小于内部阈值 θ。
下图所示神经元单元由多个输入Xi，i=1,2,...,n和一个输出y组成。中间状态由输入信号的权和表示，而输出为：
训练网络
神经网络结构被设计完成，有了输入、输出参数后ÿ
最低0.47元/天 解锁文章
2875
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
