首页 理论教育 人工神经网络:并行、稳健、自学习的记忆模拟系统

人工神经网络:并行、稳健、自学习的记忆模拟系统

时间:2023-06-30 理论教育 版权反馈
【摘要】:人工神经网络是一种大规模的分布式并行处理系统,它可以模拟人脑的记忆和联想功能,不需要了解过程的输入与输出参数之间的变化规律。人工神经网络的特点:并行性、稳健性、容错性和自学习能力。神经元的输入、输出关系如下:图9-2-1 神经元的数学模型根据神经元之间连接方式的不同,人工神经网络分为:无反馈的前向网络和有反馈的前后向结合型网络。人工神经网络结构确定后,如何确定网络各神经元之间的连接权值是一个重要问题。

人工神经网络:并行、稳健、自学习的记忆模拟系统

人工神经网络是一种大规模的分布式并行处理系统,它可以模拟人脑的记忆和联想功能,不需要了解过程的输入与输出参数之间的变化规律。通过对给定的样本数据进行学习,从大量的数据中提取规则,以一组权重系数的形式形成一种网络的稳定状态,然后通过联想记忆和推广能力来获取所需数据。人工神经网络的特点:并行性、稳健性、容错性和自学习能力。在人工神经网络中,神经元是最基本的处理单元,其数学模型如图9-2-1所示,其中Xji为第j个神经元对第i个神经元的输入,Wij为第j个神经元对第i个神经元的连接权值,θi为第j个神经元的阈值f传递函数y为该神经元的输出。神经元的输入、输出关系如下:

978-7-111-43189-3-Part09-141.jpg

978-7-111-43189-3-Part09-142.jpg

图9-2-1 神经元的数学模型

根据神经元之间连接方式的不同,人工神经网络分为:无反馈的前向网络和有反馈的前后向结合型网络。前向网络(见图9-2-2)由输入层、输出层和中间层(隐层)组成,中间层可以有若干层,每一层的神经元只接受来自前一层神经元的输出,一般不接受超越层次的输出。反馈型网络(见图9-2-3)的任意两个神经元之间都可能有连接,包括神经元到自身的反馈。在众多的人工神经网络模型中,以基于误差反向传播(Back Propagation,BP)的前向网络模型应用最广。

人工神经网络结构确定后,如何确定网络各神经元之间的连接权值是一个重要问题。对于非线性变换单元所组成的BP网络,变换关系是一个非线性连续可微函数,它可以严格利用梯度法进行推算,权的学习解析式十分明确。一般情况下,BP算法包含两个阶段。一是前向传播阶段,当给定输入量时,通过神经网络向前计算每一个神经元的输出,然后计算期望输出值Tj与实际输出值Xj之间的误差,均方差E表示为:

978-7-111-43189-3-Part09-143.jpg

二是误差反向传播阶段,将误差从输出层向输入层的方向进行反向传播,以修正相应的连接权值,修正量可表示为:

978-7-111-43189-3-Part09-144.jpg

为了防止解的振荡,加一个惯性项。因此,新的权值修正量ΔWjki可以表示为:

978-7-111-43189-3-Part09-145.jpg

式中η——学习率;

a——动量因子;

m——迭代次数。(www.xing528.com)

978-7-111-43189-3-Part09-146.jpg

图9-2-2 具有一层隐层的前向网络

978-7-111-43189-3-Part09-147.jpg

图9-2-3 反馈型网络

神经网络学习的步骤如下:

1)确定BP网络的结构,即网络层数及各层神经元数量。

2)给出学习样本的输入、输出向量,如必要,则做归一化处理。

3)初始化,随机设置各层权系数和阈值。

4)向网络提供输入样本和理想输出值。

5)计算实际输出值。

6)计算误差。

7)若不满足误差要求,则返回继续学习;否则,则认为计算收敛。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈