神经网络实用教程张良均.pdf
http://www.100md.com
2020年11月13日
 |
| 第1页 |
 |
| 第10页 |
 |
| 第12页 |
 |
| 第23页 |
 |
| 第42页 |
 |
| 第167页 |
参见附件(34972KB，188页)。
《神经网络实用教程》全书共分为6章，分别结合实例介绍了人工神经网络概述、实用神经网络模型与学习算法、神经网络算法优化、nnToolKit神经网络工具包、MATLAB混合编程技术、混合编程案例。附录中介绍了2NDN神经网络建模仿真平台。
生物神经元的结构与功能特点
人工神经网络从生物神经网络发展而来，一个神经元就是一个神经细胞，在人类大脑皮层中大约有100亿个神经元，60万亿个神经突触以及它们的连接体。
神经元是基本的信息处理单元。生物神经元主要由细胞体、树突、轴突和突触组成。
(1)细胞体 细胞体是神经元的主体。由细胞核、细胞质和细胞膜3部分构成。它是神经元活动的能量供应地，也是进行新陈代谢等各种生化过程的场所。
(2)树突 从细胞体向外延伸出许多突起的神经纤维，这些突起称为树突。
神经元靠树突接受来自其他神经元的输入信号，相当于细胞体的输入端。
(3)轴突 由细胞体伸出的最长的一条突起称为轴突，轴突比树突长而细，用来传出细胞体产生的输出电化学信号，相当于细胞体的输出端。
(4)突触 神经元之间通过一个神经元的轴突末梢和其他神经元的细胞体或树突进行通信连接，这种连接相当于神经元之间的输入输出接口，称为突触。
现代生理学研究已经证明：人类大脑的活动，不是一个生物神经元所能完成的，也不是多个生物神经元功能的简单叠加，而是多单元的非线性的动态处理系统。
神网络的学习
学习方式
神经网络的学习也称为训练，指的是神经网络在受到外部环境的刺激下调整神经网络的参数，使神经网络以一种新的方式对外部环境作出反应的一个过程。
能够从环境中学习和在学习中提高自身性能是神经网络最有意义的性质，神经网络经过反复学习来达到对环境的了解。
神经网络的学习方式可分为有导师学习、无导师学习和再励学习。
(1)有导师学习 亦称监督学习，它需组织一批正确的输入输出数据对。将输入数据加载到网络输入端后，把网络的实际输出与期望(理想)的输出相比较得到误差，然后根据误差的情况修改各连接权值，使网络能朝着正确响应的方向不断变化下去，直到实际的输出与期望输出之差在允许范围之内。
(2)无导师学习 亦称无监督学习，这时仅有一批输入数据。网络初始状态下，连接权值均设置为一小正数，通过反复加载这批输入数据，使网络不断受到刺激，当与曾经历的刺激相同的刺激到来时，响应连接权以某一系数增大，重复加入的同样刺激使相应的连接权增大到接近1的某值。这一自组织的方法，使网络具有某种“记忆”能力以至形成“条件反射”，当曾经学习过或相似的刺激加入后，输出端便按权值矩阵产生相应的输出。
(3)再励学习 亦称强化学习。这种学习介于上述两种情况之间，外部环境对系统输出结果只给出评价(奖和罚)而不是给出正确答案，学习系统通过强化那些受奖励的动作来改善自身性能。
神经网络的特点
神经网络的基本属性反映了神经网络特点，主要表现在：
1，并行分布式处理
神经网络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，可很快地找到优化解。
2.非线性处理
人脑的思维是非线性的，故神经网络模拟人的思维也应是非线性的。这一特性有助于处理非线性问题。
3.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。
4·神经网络的硬件实现
要使人工神经网络更快、更有效地解决更大规模的问题，关键在于其超大规模集成电路(VLSI)硬件的实现，即把神经元和连接制作在一块芯片上(多为CMOS)构成ANN，神经网络的VISI设计方法近年来发展很快，硬件实现已成为ANN的一个重要分支。
神经网络实用教程张良均截图
您现在查看是摘要介绍页， 详见PDF附件(34972KB，188页)。