泛朦第三系神经系

泛朦第三系—神經系

(NeuralNetwork)泛朦第三系神经系第1页類神經網路導論類神經網路（artificialneuralnetwork）或譯為人工神經網路：模仿生物神經網路資訊處理系統。泛朦第三系神经系第2页精確定義一種計算系統：硬體、軟體。大量簡單相連人工神經元：模仿生物神經網路能力。取得資訊：外界環境、人工神經元。輸出結果：外界環境其它人工神經元。泛朦第三系神经系第3页背景（1）1957年（電腦發展早期）：第一種類神經網路模式—感知機（Perceptron）提出。1960年代中期沒落。泛朦第三系神经系第4页沒落原因1.本身理論無法突破（EX：XOR問題）。2.數位電腦、人工智慧吸引。3.當時相關技術無法實現「神經電腦」。泛朦第三系神经系第5页背景（2）80年代中期：類神經網路研究復興，而在短短數年之內蔚為風潮。原因：以下4點。泛朦第三系神经系第6页復興原因（1）類神經網路在理論建立與模式開發上有了突破，最明顯突破包含：霍普菲爾網路（Hopfieldneuralnetwork，HNN）倒傳遞網路（Back-propagationnetwork）。泛朦第三系神经系第7页復興原因（2）解決電腦科學與人工智慧難題，（EX：樣本識別、機器學習）。電子、光學等技術進展：提供實現「神經電腦」可能性（EX：基於VLSI神經電腦與光神經電腦誕生）。泛朦第三系神经系第8页復興原因（3）從現代生物學、認知學、心裡學對生物神經網路瞭解，提供了發展新類神經網路模式啟示。

泛朦第三系神经系第9页生物神經元模型生物神經網路：由巨量神經細胞，或稱神經元所組成，神經細胞形狀和普通細胞有很大不一样。泛朦第三系神经系第10页神經細胞神經核：神經細胞呈核狀處理機構。軸索（神經軸）：神經細胞成軸索狀輸送機構。樹突（神經樹）：神經細胞成樹枝狀輸出入機構。突觸（神經節）：神經細胞神經樹上乘點狀連結機構。泛朦第三系神经系第11页神經核（soma）神經軸突（axon）神經突觸（synapses）（synapses）神經樹突（dendrites）(dendrites）泛朦第三系神经系第12页人工神經元模型（1）類神經網路：由許多人工神經細胞（artificialneuron）所組成。又稱類神經元、人工神經元、處理單元（processingelement）。每一個處理單元輸出以扇形送出，成為其它許多處理單元輸入。泛朦第三系神经系第13页人工神經元模型（2）其中Yj=模仿生物神經元模型輸出訊號。處理單元輸出值與輸入值關係式：普通用輸入值加權乘積和之函數來表示泛朦第三系神经系第14页人工神經元模型（3）f＝模仿生物神經元模型轉移函數（transferfunction）。Wij＝模仿生物神經元模型神經鏈結強度，又稱鏈結加權值。泛朦第三系神经系第15页人工神經元模型（4）Xi＝模仿生物神經元模型輸入訊號（inputsignal）。θ＝模仿生物神經元模型閥值（thresholdvalue）。泛朦第三系神经系第16页泛朦第三系神经系第17页人工神經元模型（5）鏈結（connection）：介於處理單元間訊號傳遞路徑。每一個鏈結上有一個數值加權值Wij，用以表示第i處理單元對第j處理單元之影響程度。泛朦第三系神经系第18页人工神經元模型（6）一個類神經網路:由許多個人工神經元所組成，並且能够組成不一样網路模式（networkmodel）或網路典範（networkparadigm）。泛朦第三系神经系第19页類神經網路模型(1)倒傳遞網路（back-propagationnetwork，BPN）:應用最普遍。BPN:包含許多層(含若干個處單元)泛朦第三系神经系第20页類神經網路模型(2)輸入層單元:輸入訊息。輸出層單元：輸出訊息。隱藏層單元：提供類神經網路表現處理單元間交互作用與問題內在結構能力。泛朦第三系神经系第21页泛朦第三系神经系第22页網路分類（1）当前著名類神經網路不下數十種，主要分為四類1.監督式學習網路：從問題領域中取得訓練範例（有輸入變數值，也有輸出變數），並從中學習輸入變數與輸出變數內在對映規則，以應用於新案例（只有輸入變數值，而需推論輸出變數值應用）如BP。泛朦第三系神经系第23页網路分類（2）2.無監督式學習網路：從問題領域中取得訓練範例（只有輸入變數值），並從中學習範例內在聚類規則，以應用於新案例。3.聯想式學習網路：從問題領域中取得訓練範例（狀態變數值），並從中學習範例內在記憶規則，以應用於新案例，如霍普菲爾網路。泛朦第三系神经系第24页網路分類（2）4.最適化應用網路：對一問題決定其設計變數值，使其在滿足設計變數下，使設計目標達最正确狀態應用，如退火神經網路。泛朦第三系神经系第25页類神經網路運作（1）類神經網路運作過程分成兩個階段：學習過程：從範例學習，以調整網路連節加權值過程。回想過程：網路依回想演算法，以輸入資料決定網路輸出資料過程。泛朦第三系神经系第26页類神經網路運作（2）1.訓練範例：藉此調整網路連結加權值。訓練範例型式依所使用網路模式之不一样而異。2.測試範例：用以評估網路學習结果所使用範例。（1.2）差異：前者只用回想演算法得到推論輸出值，並與目標輸出值比較，以評估網路學習精度。泛朦第三系神经系第27页類神經網路運作（3）3.待推案例：網路學習過程完後，可用網路推論待推案例結果。（2.3）差異：前者沒有目標輸出變數向量泛朦第三系神经系第28页優點高速計算能力高容記憶能力學習能力容錯能力泛朦第三系神经系第29页應用監督式學習應用：分類、預測。非監督式學習應用：聚類。聯想式學習應用：雜訊過濾、資料擷取。最正确化問題應用：設計、排程。泛朦第三系神经系第30页基本架構（1）處理單元：類神經網路基本單位作用可用三個函數來說明：1）集成函數2）作用函數3）轉換函數泛朦第三系神经系第31页基本架構（2）層：若干個具相同作用處理單元集合成。層三種作用：1）正規化輸出2）競爭化輸出3）競爭化學習

泛朦第三系神经系第32页基本架構（3）網路：若干個具不一样作用層集合成網路網路兩種作用：1）學習過程2）回想過程泛朦第三系神经系第33页泛朦第三系神经系第34页C：實數型常數。單調(monotonic)遞增、平滑且可微分函數。採用：倒傳遞類神經網路、連續型霍普菲爾網路，都是此種活化函數。泛朦第三系神经系第35页倒傳遞網路倒傳遞類神網路模式是当前類神網路學習模式中最具代表性，應用最普遍模式。倒傳遞類神經網路屬於監督式學習網路，因而適合診斷、預測等應用。泛朦第三系神经系第36页‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧輸出向量輸入向量輸出層：表示輸出變數隱藏層：表示輸入處理單元間交互影響輸出層：表示輸入變數泛朦第三系神经系第37页範例文章：IntegrationofGrayPredictionandFuzzyModelforImprovingBack-propagationLearningAlgorithmR.J.Kuo,C.Y.Chiu,andC.C.HsiehFuzzy泛朦第三系神经系第38页題目簡述基本觀念：利用灰預測和含糊理論來改进BP訓練速度。模擬：XOR範例設定：初始學習率：0.3，學習次數1000次。由MSE（meansquareerror）來判定收斂效。泛朦第三系神经系第39页解法（灰色）建立GM（1,1）模型灰微分方程式目标：預測error（PE）andchangeoferror(PCE)。用PE和PCE根據FUZZY規則，調整訓練參數。泛朦第三系神经系第40页解法（類神經）各層間初始權重：亂數。開始時訓練誤差大：給大學習率使系統收斂快。當訓練靠近最正确化：給小學習率以免震盪。訓練速度調整是根據PE和PCE。泛朦第三系神经系第41页解法（含糊）PE大時或非常大，訓練速率大，反之亦然。PCE負時訓練速率應增加，PCE正時訓練速率應減小。