1.1神經(jīng)元模型
神經(jīng)網(wǎng)絡是由具有適應性的簡簡單單組成的廣泛并行互連的網(wǎng)絡,它的組織能夠模擬生物神經(jīng)網(wǎng)絡系統(tǒng)對真實世界物體所作出的交互反應涝桅。
神經(jīng)網(wǎng)絡中最基本的成分是神經(jīng)元模型悠栓,即上述定義中的“簡單單元”漆魔。在生物神經(jīng)網(wǎng)絡中,每個神經(jīng)元與其他神經(jīng)元相連赚爵,當它“興奮”時庶柿,就會向相連的神經(jīng)元發(fā)送化學物質村怪,從而改變這些神經(jīng)元內(nèi)的電位;如果某神經(jīng)元的電位超過一個“閥值”浮庐,那么它就會被激活甚负,即“興奮”起來,向其他神經(jīng)元發(fā)送化學物質审残。
上述的情形抽象為如下圖的簡單模型梭域,這就是一直沿用至今的“M-P神經(jīng)元模型”。在這個模型中搅轿,神經(jīng)元接收來自n個其他神經(jīng)元傳遞過來的輸入信號病涨,這些輸入信號通過帶權重的連接進行傳遞,神經(jīng)元收到到的總輸入值將與神經(jīng)元的閥值進行比較璧坟,然后通過“激活函數(shù)”(activation function)處理以產(chǎn)生神經(jīng)元的輸出既穆。
理想的激活函數(shù)如下圖a所示的階躍函數(shù),它將輸入值映射為輸出值“0”或“1”雀鹃,顯然“1”對應于神經(jīng)元興奮幻工,“0”對應于神經(jīng)元抑制。然而黎茎,階躍函數(shù)具有不連續(xù)囊颅、不光滑等不太好的性質,因此實際常用Sigmoid函數(shù)作為激活函數(shù)傅瞻。典型的Sigmoid函數(shù)如圖b所示踢代,它把可能在較大范圍內(nèi)變化的輸入值擠壓到(0,1)輸出值范圍內(nèi),因此有時稱為“擠壓函數(shù)”嗅骄。
把許多個這樣的神經(jīng)元按一定的層次連接起來胳挎,就得到了神經(jīng)網(wǎng)絡。
1.2感知機與多層網(wǎng)絡
感知機(Perceptron)由兩層神經(jīng)元組成掸读,如下圖所示串远,輸入層接收外界輸入信號后傳遞給輸出層,輸出層是M-P神經(jīng)元儿惫,亦稱“閥值邏輯單元”澡罚。
感知機能容易實現(xiàn)邏輯與、或肾请、非運算留搔。注意到
,假定f是上圖中的階躍函數(shù)铛铁,有
1隔显、
2却妨、
3、
更一般地括眠,給定訓練數(shù)據(jù)集彪标,權重wi(i=1,2,3......)以及閥值可通過學習得到。閥值
可看作一個固定輸入為-1.0的“啞結點”所對應的連接權重w_n+1掷豺,這樣捞烟,權重和閥值的學習就可統(tǒng)一為權重的學習。感知機的學習規(guī)則非常簡單当船,對訓練樣例(x题画,y),若當前感知機的輸出為
德频,則感知機權重將這樣調整:
其中(0苍息,1)稱為學習率(learning rate).從上面第一個式子可以看出,若感知機對訓練樣例(x,y)預測正確壹置,即
=y,則感知機不發(fā)生變化竞思,否則將根據(jù)錯誤的權重進行調整。
未完待續(xù)蒸绩。衙四。铃肯。患亿。。