一般情况下神经元不只是仅有一个输入,所以输入p1,p2,p3…对应有权值矩阵W:w1,w2,w3…
所以净输出可以表示为n=WP+b,神经元的输出可以表示为a=f(WP+b),多个神经元以并行的方式计算叫做:层
通过权值矩阵,输出向量P会有分量连接到每一个神经元,而同时每一个神经元都有偏置值b
这里面所有的值都可以用矩阵的形式表示:
P:R1, W:SR(其中输入有R个,神经元S个) B:S1
1.多层神经网络:
第一层的S1矩阵类型的输出是第二层的输入,以此类推
如果某一层是输出,则这一层被称作输出层,还有两个隐藏层
例如三层神经网络:a3=f3(w3f2(w2f1(w1p+b1)=b2)+b3)
Q:多层神经网络的好处在哪?
A:线性函数可能不能较好地去模拟一个函数,但是当拥有线性函数函数和sigmoid函数之后则可以较好地逼近大部分函数了,所以设想有一个第一层为sigmoid函数,第二层为线性函数的两层神经网络,它的精度比单层神经网络好
Q:每层神经元的个数怎么去判断?
A:通过输入输出的个数去判断,同时可以通过输出的数字特征去选择传输函数,例如输出是1或-1,则可以选择对称硬限值传输函数
2.回复神经网络
首先介绍几个模块:
2.1延迟(delay)模块:
a(t)=u(t-1)
输出是延迟一步的输入(假设时间步长的更新是离散的,并且只取整数值)。并且要求输出在t=0是进行初始化。
积分器(用于连续时间的回复神经网络的构建):a(t)=u(
)
d
)d
)d从0到t的积分+a(0)
下面举例:a(t+1)=satlins(Wa(t)+b),p作为初始条件,也就是a(0)=p.
DAY2
最新推荐文章于 2022-08-02 13:38:12 发布