@[TOC]目录
#神经网络
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。
神经网络中最基本的成分是神经元模型。当神经元兴奋时,会向相连的神经元发送化学物质,从而改变这些神经元的电位。
#M-P神经元模型
M-P神经元模型的组成部分是输入值,连接权重,阈值,输出值。
其中理想的激活函数是阶跃函数,因为它不平滑不连续,所以实际应用中使用sigmoid函数,因为它可能将较大范围内的输入值挤压到0-1的输出范围内,所以也称为“挤压函数”。
#感知机与多层网络
感知机由两层神经元组成。
逻辑计算:
#学习率,哑结点
学习率是自己定的;
#线性和非线性问题
对于单层感知机,只能解决线性问题,比如:与,或,非。但它不能解决非线性问题。
要解决非线性问题,可以使用多层感知机,如图
#多层前馈神经网络
隐含层:输入层和输出层之间的层。
特点:类比一下完全图,每个神经元和下一层的所有神经元全互连。
无同层连接。
#误差逆传播算法(BF算法)
衡量目标:均方误差最小化。
其他神经网络
RBF: 使用径向基函数为隐层的闽值函数,输出为隐层的线性组合。
ART: 竞争性网络,只有获胜神经元会被激活,其余被抑制。每一个新来的样例和已有的模式进行对比,接近哪个神经元则哪个获胜。识别闯值高,分类细,识别闯值低,分类粗糙。
SOM: 输入为高维数据,通过映射输出压缩为低维,同时保持输入的高维拓扑不变。为每个输入数据匹配合适的权重因子。
级联相关网络: 网络结构也作为更新的一项,更新中可增加隐层。
EIman网络: 递归网络,将隐层神经元的输出返回到输入层。