姓名：⾼强 学号：17011210057
【嵌⽜导读】：本⽂主要介绍神经⽹络的分类以及神经⽹络模型
【嵌⽜⿐⼦】：神经⽹络，神经⽹络模型
【嵌⽜提问】：神经⽹络的分类以及神经⽹络模型都有那些？
【嵌⽜正⽂】：
担当者1. ⼈⼯神经⽹络的分类
生化仪按性能分：连续型和离散型⽹络，或确定型和随机型⽹络。
巴黎公约按拓扑结构分：前向⽹络和反馈⽹络。
前向⽹络有⾃适应线性神经⽹络(AdaptiveLinear，简称Adaline)、单层感知器、多层感知器、BP等。 前向⽹络，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，可以⽤⼀个有向 雪鹀⽆环路图表⽰。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。⽹络结构简单，易于实现。反传⽹络是⼀种典型的前向⽹络。
反馈⽹络有Hopfield、Hamming、BAM等。
反馈⽹络，⽹络内神经元间有反馈，可以⽤⼀个⽆向的完备图表⽰。这种神经⽹络的信息处理是状态的变换，可以⽤动⼒学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield⽹络、波⽿兹曼机均属于这种类型。
按学习⽅法分：有教师(监督)的学习⽹络和⽆教师(监督)的学习⽹络。 按连接突触性质分：⼀阶线性关联⽹络和⾼阶⾮线性关联⽹络。
asp程序2. ⽣物神经元模型
⼈脑是⾃然界所造就的⾼级动物，⼈的思维是由⼈脑来完成的，⽽思维则是⼈类智能的集中体现。⼈脑的⽪层中包含100亿个神经元、60万亿个神经突触，以及他们的连接体。神经系统的基本结构和功能单位就是神经细胞，即神经元，它主要由细胞体、树突、轴突和突触组成。⼈类的神经元具备以下⼏个基本功能特性：时空整合功能；神经元的动态极化性；兴奋与抑制状态；结构的可塑性；脉冲与电位信号的转换；突触延期和不延期；学习、遗忘和疲劳；神经⽹络是由⼤量的神经元单元相互连接
⽽构成的⽹络系统。
3. ⼈⼯神经⽹络模型
⼈⼯神经⽹络，使通过模仿⽣物神经⽹络的⾏为特征，进⾏分布式并⾏信息处理的数学模型。这种⽹络依靠系统的复杂度，通过调整内部⼤量节点之间相互连接的关系，从⽽达到信息处理的⽬的。⼈⼯神经⽹络具有⾃学习和⾃适应的能⼒，可以通过预先提供的⼀批相互对应的输⼊输出数据，分析两者的内在关系和规律，最终通过这些规律形成⼀个复杂的⾮线性系统函数，这种学习分析过程被称作“训练”。神经元的每⼀个输⼊连接都有突触连接强度，⽤⼀个连接权值来表⽰，即将产⽣的信号通过连接强度放⼤，每⼀个输⼊量都对应有⼀个相关联的权重。处理单元将经过权重的输⼊量化，然后相加求得加权值之和，计算出输出量，这个输出量是权重和的函数，⼀般称此函数为传递函数。
4. 感知器模型
感知器模型是美国学者罗森勃拉特（Rosenblatt）为研究⼤脑的存储、学习和认知过程⽽提出的⼀类具有⾃学习能⼒的神经⽹络模型，它把神经⽹络的研究从纯理论探讨引向了从⼯程上的实现。
Rosenblatt提出的感知器模型是⼀个只有单层计算单元的前向神经⽹络，称为单层感知器。
单层感知器模型的学习算法，算法思想：⾸先把连接权和阈值初始化为较⼩的⾮零随机数，然后把有
n个连接权值的输⼊送⼊⽹络，经加权运算处理，得到的输出如果与所期望的输出有较⼤的差别，就对连接权值参数按照某种算法进⾏⾃动调整，经过多次反复，直到所得到的输出与所期望的
输出间的差别满⾜要求为⽌。
线性不可分问题：单层感知器不能表达的问题被称为线性不可分问题。 1969年，明斯基证明了“异或”问题是线性不可分问题。
线性不可分函数的数量随着输⼊变量个数的增加⽽快速增加，甚⾄远远超过了线性可分函数的个数。也就是说，单层感知器不能表达的问题的数量远远超过了它所能表达的问题的数量。
多层感知器：在单层感知器的输⼊部分和输出层之间加⼊⼀层或多层处理单元，就构成了⼆层或多层感知器。
在多层感知器模型中，只允许某⼀层的连接权值可调，这是因为⽆法知道⽹络隐层的神经元的理想输出，因⽽难以给出⼀个有效的多层感知器学习算法。
多层感知器克服了单层感知器的许多缺点，原来⼀些单层感知器⽆法解决的问题，在多层感知器中就可以解决。例如，应⽤⼆层感知器就可以解决异或逻辑运算问题
反向传播模型也称B-P模型，是⼀种⽤于前向多层的反向传播学习算法。之所以称它是⼀种学习⽅法，是因为⽤它可以对组成前向多层⽹络的各⼈⼯神经元之间的连接权值进⾏不断的修改，从⽽使该前向多层⽹络能够将输⼊它的信息变换成所期望的输出信息。之所以将其称作为反向学习算法，是因为在修改各⼈⼯神经元的连接权值时，所依据的是该⽹络的实际输出与其期望的输出之差，将这⼀差值反向⼀层⼀层的向回传播，来决定连接权值的修改。
B-P算法的⽹络结构是⼀个前向多层⽹络。它是在1986年，由Rumelhant和Mcllelland提出的。是⼀种多层⽹络的“逆推”学习算法。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输⼊样本从输⼊层传⼊，经隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输⼊层逐层反传，并将误差分摊给各层的所有单元，从⽽获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周⽽复始地进⾏。权值不断调整过程，也就是⽹络的学习训练过程。此过程⼀直进⾏到⽹络输出的误差减少到可以接受的程度，或进⾏到预先设定的学习次数为⽌。
反向传播⽹络的学习算法：B-P算法的学习⽬的是对⽹络的连接权值进⾏调整，使得调整后的⽹络对任⼀输⼊都能得到所期望的输出。
安徽省立新安医院
学习过程由正向传播和反向传播组成。
正向传播⽤于对前向⽹络进⾏计算，即对某⼀输⼊信息，经过⽹络计算后求出它的输出结果。
反向传播⽤于逐层传递误差，修改神经元间的连接权值，以使⽹络对输⼊信息经过计算后所得到的输出能达到期望的误差要求
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议