智能控制课后答案

1、神经元的种类有哪些？它们的函数关系如何？

一、神经元模型

神经元模型是生物神经元的抽象和模拟。它是模拟生物神经元的结构和功能、并从数学角度抽象出来的一个基本单元。它是神经网络的最基本的组成部分。

神经元一般是多输入-单输出的非线性器件。

模型可以描述为

Net w x s

i ij j i i

j

u f ( Net )

i i

y g (u ) h ( N et )

i i i

假设( )

g u u ，即 y i f ( Net i )

i i

u 为神经元的内部状态；

i i 为阀值； x i 为输入信号，j 1,..., n ；w ij 为表示

从u j 单元到u单元的连接权系数；s

i 为外部输入信

号。

i

常用的神经元非线性特性有以下四种

（1）阀值型

f ( N et )

i 1 N et

i

i

0 N et 0

f

1

Neti

阀值函数

（2）分段线性型

0 N et Net

i

i

f (Net ) kN et Net Net Net

i i i 0 i il

f Net Net

m ax i il

f

f m ax

N et i0 N et i1

N eti

线性函数（3）Sigmoid 函数型

1

f (Net )

i N et

i

T 1 e

f

1

0.5

N eti

Sigm oid 函数

（4）Tan 函数型

Net Net

i i

T T

e e

f ( Net )

i Net Net

i i

T T

e e

f

1

N eti

T an函数

2、为什么由简单的神经元连接而成的神经网络具有非常强大的功能？

神经系统是一个高度复杂的非线性动力学系统，虽然每一个神经元的结构和功能十分简单，但由大量神经元构成的网络系统的行为却是丰富多彩和十分复杂的。

从神经元模型角度来看，有线性处理单元和非线性处理单元。

从网络结构方面来看，有：前向网络、反馈网络和自组织网络。

3、神经网络按连接方式分有哪几类，按功能分有哪几类、按学习方式分又有哪几类？

神经网络按连接方式？

神经网络按连接方式分

神经网络是由通过神经元的互连而达到的。根据神经元的连接方式的不同，神经网络可分为以下四种形式：

（1）前向网络由输入层、隐含层和输出层组成。每一层只接受前一层神经元的输

入。各神经元之间不存在反馈。属于层次型网络。

输输

. . .

入出

. . .

. . .

前向网络

（2）反馈网络只在输出层到输入层存在反馈，即每一个输入节点都有可能接受来

自外部的输入和来自输出神经元的反馈。属于层次型网络。

输输

入出

反馈网络

（3）相互结合型网络这种神经网络在任意两个神经元之间都可能有连接。在这个

状态中，信号要在神经元之间反复往返传递，网络处在一种不断改变状态的动态之中，从某种初态开始，经过若干次的变化，才会达到某种平衡状态。属于网状结构网络。

输输

入出

相互结合型网络

（4）混合型网络通过同一层内神经元的相互结合，可以实现同一层内神经元之间

的横向抑制或兴奋机制。这样可以限制每层内能同时动作的神经元数，或者把每层内的神经元分为若干组，让每组作为一个整体来动作。它是层次型网络和网状结构网络的一种结合。

输 输 入 出

混 合 型 网 络

神经网络按功能分有哪几类、

神经网络将神经元按功能和顺序的不同分为输出层、中间层（隐层）、输出层。输出层各神 经元负责接收来自外界的输入信息，

并传给中间各隐层神经元； 隐层是神经网络的内部信息

处理层， 负责信息变换。 根据需要可设计为一层或多层； 最后一个隐层将信息传递给输出层

神经元经进一步处理后向外界输出信息处理结果。 神经网络按按学习方式分又有哪几类？ 有导师学习和无导师学习。

4 、 如 图 4-24 所 示 的 多 层 前 向 传 播 神 经 网 络 结 构 。 假 设 对 于 期 望 的 输 入 [ x , x ] [1 3] , 1 2 [ , ] [0.9 0.3]

y y 。网络权系数的初始值见图。 试用 BP 算法训练

此网

d 1 d 2

络。并详细写出第一次迭代学习的计算结果。这里，取神经元激励函数 f ( x ) 1 1 e

x

。学 习步长为 1 。最大迭代次数为 iterafe max 。误差为 e 。（四舍五入，精确到小数后 1 位）

w 11

x 1

1

o 1

2 w 11 1

y 1

w -2 0 12

2

2 w 12

x 2 w 10 w

-2

10 2

0 3

w 22

w 21

o 2

2 w 22

-2

1

w 21 2 1

y 2

-1 w 20

3

-1

w 20

2