神经网络详解VIP免费

2016神经网络一、神经网络的概念人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，如右图。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。图1神经网络结构二、神经网络的分类没有反馈的前向网络（如BP）即各神经元接收前一层的输入，并输出给下一层，没有反馈。神经网络的连接相互结合型网络（如Hopfiled）即任意两个神经元都可能有连接，输入信号在网络中往返传递。主要细分如下：BP神经网络——是一种按误差逆传播算法训练的多层前馈网络。RBF(径向基函数神经网络)——能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度。SOM（自组织特征映射神经网络）——是一种无导师学习的网络，主要用于对输入向量进行区域分类。ANNHopfiled神经网络——是一种递归神经网络，是一种结合存储系统和二元系统的神经网络。它保证了向局部极小的收敛，但收敛到错误的局部极小值，而非全局极小的情况也可能发生。ART网络——是一种无监督的矢量分类器，能按照已存储的最相似的模式对接收输入矢量进行分类。如果已确定一个输入模式明显地不同于已存在的类，则ART网络能创建一个新的相应于这个输入模式的神经元。三、神经网络的特点(1)可以充分逼近任意复杂的非线性关系；(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；(3)采用并行分布处理方法，能快速进行大量运算，具有高度的并行结构和并行实现能力，具有高速寻找优化解的能力，能够发挥计算机的高速运算能力，可能很快找到优化解。(4)具有自学习功能，通过对过去的历史数据的学习，训练出一个具有归纳全部数据的特定的神经网络，自学习功能对于预测有特别重要的意义。(5)能够同时处理定量、定性知识。四、神经网络的控制特点神经网络模式识别的过程分为两步：首先是学习过程，通过大量的训练样本，对网络进行训练，根据某种学习规则不断对连接权值进行调节，然后使网络具有某种期望的输出。这种输出就可以将训练样本正确分类到其所属类别中去，此时可以认为网络是学习到了输入数据或样本间的内在规律。接下来是分类过程，应用前面学习过程所训练好的权值，对任意送入网络的样本进行分类。神经网络控制具有自适应，并拥有一定的学习能力。当人们遇到用传统的控制方法控制效果不好的非线性、不确定对象的问题时，即人们面临控制对象难以建模的时候，神经网络强大的作用就显现出来了.。五、举例说明现在用一个例子具体说明神经网络的工作过程。举一个关于人识别技术的例子，当我们看过一个人也就是识别对象以后，我们首先提取其关键的外部特征比如身高，体形，面部特征，声音等等。根据这些信息大脑迅速在内部寻找相关的记忆区间，有这个人的信息的话，这个人就是熟人，否则就是陌生人。人工神经网络就是这种机理。假设下图中X(1)代表我们给电脑输入的人的面部特征，X(2)代表人的身高特征，X(3)代表人的体形特征，X(4)代表人的声音特征。W(1)W(2)W(3)W(4)分别代表四种特征的连接权重。图2神经元数学模型现在随便找一个人A站在电脑前，电脑根据预设变量提取这个人的信息（面部信息，身高多少，体形胖瘦，声音特征），链接权重初始值是随机的，假设每一个W均是0.25,这时候电脑按这个公式自动计算,Y=X(1)*W(1)+X(2)*W(2)+X(3)*W(3)+X(4)*W(4)得出一个结果Y,这个Y要和一个门槛值（设为Q）进行比较，如果Y>Q,那么电脑就判定这个人是A，否则判定不是A。由于第一次计算电脑没有经验，所以结果是随机的，我们认定结果是正确的。现在还是让A站在电脑前，A怕被电脑认出来换了一件衣服。这个行为影响了A的体形，就是X(3)发生了变化，所以最后计算的Y值也变了，它和Q比较的结果随即也发生了变化。这时...