神经网络概述与BP神经网络.pdf
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
"神经网络概述与BP神经网络" 在本节中,我们将对神经网络概述和BP神经网络进行详细的介绍。 一、 神经网络概述 神经网络是一种高度非线性动力学系统,由多个神经元连接成网络,每个神经元可以接受多个输入信号,并按照一定的规则转换为输出信号。由于神经元间复杂的连接关系和各神经元传递信号的非线性方式,输入和输出信号间可以构建出各种各样的关系,因此可以用来作为黑箱模型,表达那些用机理模型还无法精确描述、但输入和输出之间确实有客观的、确定性的或模糊性的规律。 神经网络的特性及能力主要由神经元的特征、网络连接的拓扑结构、学习规则等决定。 (一)人工神经元(Artificial Neuron)模型 人工神经元是人工神经网络操作的基本信息处理单位,是神经网络设计的基础。神经元是一个多输入、单输出的单元。人工神经元模型可以看成是由三种基本元素组成:一组连接权值与阈值、一个加法器、一个激活函数。 激活函数是人工神经元模型中的一个重要组成部分,常见的激活函数有阶梯函数、分段线性函数、线性函数、非线性函数等。 二、 神经网络结构图 神经网络是由大量的神经元互联而构成的网络。根据网络中神经元的互联方式,常见网络结构主要分为三类:前馈神经网络、反馈神经网络、自组织神经网络。 (二)常见神经网络结构图 1、前馈神经网络(Feedforward Neural Networks) 前馈神经网络是神经网络的一种,网络中各个神经元接受前一级的输入,并输出到下一级,网络中没有反馈。这种网络实现信号从输入空间到输出空间的变换,它的信息处理能力来自于简单非线性函数的多次复合。 2、反馈神经网络(Feedback Neural Networks) 反馈神经网络是一种从输出到输入具有反馈连接的神经网络。典型的反馈型神经网络有:Elman 网络、Hopfield 网络、波耳兹曼机。 3、自组织神经网络(SOM,Self-Organizing Neural Networks) 自组织神经网络是一种无导师学习网络。它通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。 (三)学习规则 在神经网络中,学习规则就是修正权值的一种算法,其目的是为了使得网络输出更符合实际。常见的学习规则有:BP算法、梯度下降法等。
- 粉丝: 98
- 资源: 1万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
- 1
- 2
- 3
前往页