人工神经网络PresentationPPT课件

1、系统工程系统工程 Presentation 人工神经网络 技术已成为生命的第七种存在方式 Technology has become the seventh way of existence of life 历史发展 代表人物 理论内容 目 录 简介 年度工作概述 此处添加详细文本描述，建议与标题相关并符合整体语言风格，语言描述尽量简洁生动。尽量将每页幻灯片的字数控制在 200字以内，据统计每页幻灯片的最好控制在5分钟之内。 此处添加详细文本描述，建议与标题相关并符合整体语言风格 简介简介 伦敦当地时间10月18日18：00 （北京时间19日01：00），谷歌旗下 的DeepMind团队公布了

2、进化后的最 强版AlphaGo，代号AlphaGo Zero。 AlphaGo Zero的系统从一个对 围棋一无所知的神经网络开始，将该 神经网络和一个强力搜索算法结合， 自我对弈。在对弈过程中，神经网络 不断调整、升级，预测每一步落子和 最终的胜利者 l 计算机信息处理能力高于人类， 但识别能力比人类相去甚远 l 计算机依靠模型运算 人脑并行处理信息 机器会思考吗？ 由大量简单的基本元件神经元相 互连接，通过模拟人的大脑神经处理 信息的方式，进行信息并行处理和非 线性转换的复杂网络系统。 人工神经网络 （Artificial Neutral Networks） 工作完成情况 此处添加详细文本

3、描述，建议与标题相关并符合整体语言风格，语言描述尽量简洁生动。尽量将每页幻灯片的字数控制在 200字以内，据统计每页幻灯片的最好控制在5分钟之内。 此处添加详细文本描述，建议与标题相关并符合整体语言风格 历史发展历史发展 历史发展历史发展 提出 “机器思 维”的方法 提出自适应线 性元件 感知机使 神经网络走向 低谷 确定人工智能 的概念 人工神经网络 的构造和学习 有了理论指导， 神经网络开始 复兴 Rumelhart和 McClelland发 展了BP算法 2006 1955 2009 1969 2014 1986 1949 （1947） 1959 1984 历史发展历史发展 Deep L

4、earning发表， 深度学习真正 被学学术界接 受 吴恩达和谷歌 科学家合作， 模拟人脑神经 网络，自主学 习到“猫” AlphaGo打败 李世石，人工 智能成为热门 话题 2006 2012 2009 2015 2014 2016 1949 1984 工作完成情况 此处添加详细文本描述，建议与标题相关并符合整体语言风格，语言描述尽量简洁生动。尽量将每页幻灯片的字数控制在 200字以内，据统计每页幻灯片的最好控制在5分钟之内。 此处添加详细文本描述，建议与标题相关并符合整体语言风格 代表人物代表人物 代表人物 艾伦麦席森图灵 Alan Mathisn Turing 英国数学家、逻辑学家， 被

5、称为计算机科学之父， 人工智能之父。 约翰霍普菲尔德 John Hopfueld 提出了霍普菲尔德神经 网络,使神经网络的平衡 稳定状态有了明确的判 断方法 杰弗里辛顿 Geoffrey Hinton 谷歌工程研究员，多伦多 大学计算机科学系教授， 反向传播算法和对比散度 算法的发明人之一 扬勒丘恩 Yann LeCun 师从杰弗里辛顿，AT apple is sweet. If (flexible): apple is juicy. etc. 买苹果： 标准1：苹果=熟了,甜 标准2：个大+红色的苹果=甜 标准3 标准4 大脑的智慧是一种非线性现象； 人工神经元处于激活或抑制两种不 同状态，

6、在数学上表现为非线性关 系； 具有阈值的神经元所构成的网络具 有较好的容错性、存储能力 非线性 一个神经网络由多个神经元广泛连 接而成 系统的整体行为不仅取决于单个神 经元的特征，同时由单元间的相互 连接、相互作用决定 非局限性 人工神经网络具有自适应、自组织、 自学习能力 系统处理的信息可以有各种变化， 系统本身也在不断变化 非常定性 系统的演化方向，在一定条件下取 决于某个特定的状态函数，其极值 对应系统比价比较稳定的状态 人工神经网络汇总这种函数具有多 个极值，系统具有多个较稳定的平 衡态，系统演化存在多样性 非凸性 构造神经元 人工神经网络的基本单位：人工神经元 树突： 信息传入 胞体

7、： 信息处理 轴突： 数据传出 构造神经元 构造神经元 内部强 度值b 阶梯函数 （Step） a=0,n0 a=1,n0 符号函数 （Sgn） 线性函数 （Linear） a=n 饱和线性函数 （Ramp） a=0,n1 对数S形函数 （Sigmoid） 传递函数 神经元：多个输入、单输出的非线性器件 双曲正切S形函数 （Tanh） 此处添加详细文本描述，建议与标题相关 并符合整体语言风格，语言描述尽量 1（红色） 1（圆形） -1（黄色） -1（弯型） 感知机学习 苹果 颜色 香蕉 颜色 苹果 形状 香蕉 形状 感知机学习 step(2)=1 step(-2)=0 感知机学习 信号源：外界

8、刺激 上一神经元输出信号 输出：神经元输出结果 下一神经元的信号源 构造神经网络 单层神经网络 AND运算： 线性不可分运算： 构造神经网络 品种颜色形状 苹果1（红色）1（圆形） 香蕉0（黄色）0（弯型） 分类逻辑运算： 0 and 0=0 香蕉 1 and 1=1 苹果 品种颜色形状 苹果1（红色）1（圆形） 香蕉0（黄色）0（弯型） 品种颜色形状 苹果1（红色）1（圆形） 香蕉0（黄色）0（弯型） 0 and 1=0 香蕉? 1 and 0=0 香蕉? 品种颜色形状 苹果1（红色）1（圆形） 香蕉0（黄色）0（弯型） 品种颜色形状 苹果1（红色）1（圆形） 香蕉0（黄色）0（弯型） 形形

9、 状状 颜色颜色 更红更黄 更弯 更圆 形形 状状 颜色颜色 更红更黄 更弯 更圆 可见层：输入节点 输出节点 隐层：中间层 （第一隐层、第二隐层。） 构造神经网络 每一隐层都是一个单层神经网络 上一层输出只能是下一层输入，不可跨层链接 形形 状状 颜色颜色 更红更黄 更弯 更圆 多层神经网络（前馈神经网络） 前向网络：每一层神经元只接受来自前一层神经元的输入，后面的层对前面 的层没有信号反馈。 构造神经网络 有反馈的前向网络：输出层对输入层有信息反馈 层内有相互结合的前向网络：通过层内神经元的相互结合，实现同层神经元 之间的横向抑制或兴奋机制 相互结合型网络（全互连或部分互连）：在任意两个神经元之间都有可能有 连接（仅限于同层或前向） 神经网络的学习（训练）方式 监督学习（Supervised Learning，SL）： Training Predictin g 神经网络的学习（训练）方式 无监督学习（Nonsupervised Learning，NSL）： 输入你的文本内容输入你的文本内容 2015年年终总结计划 THANKS 历史发展 代表人物 理论内容 目 录 简介 研究机器模拟人类的学习活动，获取 知识和技能的理论和方法，以改善系 统性能的学科。 机器学习 （Machine Learning） 构造神经元 构造神经元 内部强 度值b