输9f(x)y输入一叭 L 枚值激发函加权求和阈值叫 MP 神经元模型神经元状人工神经网络简介一、人工神经网络的发展⑴（生理学家）和数理逻辑学家年首次提出神经网络数学模型；数学模型，神经元的数学模型。⑵ 冯•诺依曼模型⑶ 年代，・单层网络，可学习一一感知机⑷ 年提出自适应线性元件网络⑸ 和年发表论文，将能量函数引入神经网络计算一一模型⑹ 年提出理论，解决中间层神经元权的调整问题，并行分布式，一一多层网络的反向传播算法。误差反向传播算法（前向网络的一种）⑴ 神经元是一个多输入、单输出的元件⑵神经元是一个具有非线性的元件⑶神经元具有可塑性，传递强度可变⑷ 神经元的输出是每个输入综合的结果三、人工神经网络特点⑴ 分步存储与容错性⑵ 并行处理⑶ 信息处理与存储合二为一不可导）、输入输出变换函数:、BP 网络的学习过程⑴ 模式的顺向传播过程⑵ 误差的逆向传播过程⑶ 记忆训练过程：⑴、⑵的交替过程⑷ 层次性与系统性四、人工神经网络隐含输入输出个qpVjtWijyiyq⑥ 双曲函1x<-—k11-0(-1x<0⑤ 饱和函数④ 符号函③ 比例函② 型函数1一 1一（可导）输入向量权值向量阈值：e输出层神经元输入：Yvb-yjtjtj=1区 wa-0ijij中间层神经元输入输出：为 wx-0iii=1若为阶跃函数「1x>00x<0、网络学习算法⑴ 变量假定：输入：…希望输出：…中间层神经元输入：…中间层神经元输出：…输出层神经元输入：…输出层神经元实际输出：…中间层神经元阈值：e...输出层神经元阈值：Y...型函数：（中间层两端可取不同函数，但此处相同。）输入层与中间层连接权值：…中间层与输出层连接权值：…⑵ 模式顺传播过程：误差函数：一乙(yk-Ck)22tt7t=1权值调整：.BEBEdedEdedL.、/•“、；，Av=—ak=—^k•t.=—^k•t-•t.=a(yk—ek)f'(L)bkjtdvdedvdedLdvtt2tJjttjtttjt（按负梯度方向变化或梯度下降原则，应使 Av 与亠的负值成正比例变化，优jtdvjt化算法中得到。）i=1输出层神经元实际输—输3E6ckk•务]6ck6wt6E6ck6E6ckk•1+k•2HF6ck6w6ck6w1ij2ij亍 r6E6ck6L=—p[——k•—•t-]6ck6Lk6wt6EAw=—Pk=—P[j6wij6E6ck——k•——6ck6wtijj=1亍 r6E6ck6L6bk=—p[——k•t-•t-•j]6ck6Lk6bk6wt=1ttjj6E6ck6Lk6bk6sk=—p[——k•1•A•匚•匚]6ck6Lk6bk6sk6wt=1ttjjj=P^[(yk—ck)f'(L)v]f'(Sk)att2tjt1jit=1(对所有输出都有影响，与 k 不同。令 6'输出层广义误差 k6L则厶 cc—规则 a—学习率，...
