计算智能神经网络计算_第1页
计算智能神经网络计算_第2页
计算智能神经网络计算_第3页
计算智能神经网络计算_第4页
计算智能神经网络计算_第5页
已阅读5页，还剩23页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

神经网络计算单个处理单元可以执行简单的图形检测功能,但更强的识别处理能力却来自多个结点“连成”的网络,即人工神经网络单层网络最简单的网络是把一组几个结点形成一层,输入信号可表示为行向量，其中每一分量通过加权连接到各结点。每一结点均可产生一个输入的加权和。实际的人工神经网络和生物神经网络中有些连接可能不存在,为了更一般化,采用了全连接,并且都是前馈连接。各加权表示为加权矩阵输入信号的加权和输出向量多层网络一般大而复杂的网络能提供更强的计算能力。多层网络,只要将单层网络进行级联就可以了,即一层的输出作为下一层的输入。在多层网络中,层间的转移函数应是非线性的,否则多层网络的计算能力并不比单层网络的强。因为在线性转移函数的情况下,两层网络的输出是第一层的输出作为第二层的输入,通过第二个加权矩阵得到网络输出。回归型网络凡包含反馈连接的网络均称为回归型网络,或称反馈网络。横向反馈连接和纵横连接。感知器网络模型输出只有两种状态,实际上是输入模式的分类器,判决输入模式属于两类中的哪一类(A或B类)一个三层的感知器网络可以产生任意复杂的判决域。+11-1.5x1x2Back-propagation神经网络模型中间层到输出层权值调整中间层到输出层权值的调整量为中间层到输出层权值的调整量为由输入到中间层权值的调整输入到中间层权值的调整量为中间层到输出层权值的调整量为输入到中间层权值的调整量为任意层间权值调整的一般式输出层中间层输出层中间层BP网络的训练步骤1)用均匀分布随机将各权值设定为一个小的随机数2)从训练数据对中,将一个输入数据加在输入端。3)计算输出层的实际输出y(k)4)计算输出层的误差5)计算中间层的误差6)权值更新7)重复进行BP训练算法存在的问题1)对于一些复杂的问题往往训练时间很长;2)由于采用梯度下降法,可能陷入局部极小,而不是目标函数的全局最小。为了减小局部极小的发生,可以采用增加中间单元,自动调整训练速率,由多种初始权值开始多次训练等方法。为了加快训练速度,增加附加冲量项,称为冲量法,权值更新式用:BP算法的改进方法BP算法实质：把一组样本输入输出问题转化为一个非线性优化问题。BP算法运用梯度算法利用迭代运算求解权值问题的一种学习方法。BP算法缺陷:1)易形成局部极小而得不到整体最优;2)迭代次数多,收敛慢。改进方法

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论