3基于人工神经网络的建模设计方法

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

1 1 e
u j

1987年在美国召开了第一届世界神 经网络大会1000人参加。
IJCNN等大会


Neural Computing, IEEE Neural Network 等期刊
概述

人工智能与神经网络


共同之处:研究怎样使用计算机来模仿人脑工 作过程。学习——实践——再学习——再实践 。 不同之处:

1986年美国的一个平行计算研究小 组提出了前项反馈神经网络的Back Propagation(BP)学习算法。成为 当今应用最广泛的方法之一。该方法 克服了感知器非线性不可分类问题, 给神经网络研究带来了新的希望。 n
y j f ( wij xi j )
i 1
f (u j )
Spatial (signals) Temporal (pulses)

Threshold over composed inputs Constant firing strength

神经网路的复杂多样,不仅在于神经 元和突触的数量大、组合方式复杂和联系 广泛,还在于突触传递的机制复杂。现在 已经发现和阐明的突触传递机制有:突触 后兴奋,突触后抑制,突触前抑制,突触 前兴奋,以及“远程”抑制等等。在突触 传递机制中,释放神经递质是实现突触传 递机能的中心环节,而不同的神经递质有 着不同的作用性质和特点

神经细胞的输出对输入的反映。典型 的转移函数是非线性的。
f(u) f(u)
1 1
f(u)
1
0 (a)
u
0 (b)
u
0 (c)
u

人脑神经网络:
人脑中约有140亿个神经细胞,根 据Stubbz的估计这些细胞被安排在约 1000个主要模块内,每个模块上 有上百个神经网络,每个网络约有1 0万个神经细胞。

优缺点

ຫໍສະໝຸດ Baidu评价

优点: 并行性;分布存储;容错性;学习能力 缺点: 不适合高精度计算;学习问题没有根本 解决,慢;目前没有完整的设计方法, 经验参数太多。

3.2 BP网络

前馈型神经网: 最初称之为感知器。应用最广泛的一 种人工神经网络模型,最要原因是有 BP学习方法。

前馈网络结构是分层的,信息只能从 下一层单元传递到相应的上一层单元。 上层单元与下层所有单元相联接。转 移函数可以是线性阈值的。


七十年代,据说全球只有几十个人在研究, 但还是成功的。如:日本Fukusima的 Neocognitron; 芬兰Kohonen的自组织神 经网络;Stephen Crossberg的共振自适应理 论ART网络等 。

1982年John J. Hopfield(物理学家)提出 了全联接网络,离散的神经网络模型。—— 全新的具有完整理论基础的神经网络模型。 基本思想是对于一个给定的神经网络,对于 一个能量函数,这个能量函数是正比于每一 个神经元的活动值和神经元之间的联接权。 而活动值的改变算法是向能量函数减少的方 向进行,一直达到一个极小值为止。证明了 网络可达到稳定的离散和连续两种情况。3 年后AT&T等做出了半导体芯片。——神经 网络复兴时期开始。


10 billion neurons in human brain Summation of input stimuli


10 6 billion synapses in human brain
Chemical transmission and modulation of signals Inhibitory synapses Excitatory synapses

同样是模仿人脑,但所考虑的角度不同。 成年人和婴儿。学习过程不一样。一个是 总结出常人都不懂得规律;一个是没完没 了向他出示、重复一样东西,就象教一个 小孩子说话。
概述
研究目的 人工智能 人脑推理、学习、思考、规划等 思维活动,解决需人类专家才能 处理的复杂问题。 推理方法、知识表示、机器学习 神经网络 阐明有关人脑结构及其功能 以及相关学习、联想记忆的 基本规律。 生物的生理机制、信息的存 储、传递、处理方式 人懂→机器懂→人懂 图像等→机器→图像等 知识库中有事实和规则,随时添 在网的结构之中,一条出问 加而增大,一条出了毛病有可能 题不会触大错,网络结构不 出错。 会随知识增加变化很大 符号 脉冲形式,以频率表示 树、网等,一条一条执行,并行 原理上是并行结构,与生物 处理较难 信息处理机制一致
神经系统活动,不论是感觉、运动,还是 脑的高级功能(如学习、记忆、情绪等)都有 整体上的表现,面对这种表现的神经基础和机 理的分析不可避免地会涉及各种层次。这些不 同层次的研究互相启示,互相推动。在低层次 (细胞、分子水平)上的工作为较高层次的观 察提供分析的基础,而较高层次的观察又有助 于引导低层次工作的方向和体现其功能意义。 既有物理的、化学的、生理的、心理的分门别 类研究,又有综合研究。
MP模型的意义: M-P模型能完成一定的逻辑运算
第一个采用集体并行计算结构来描 述人工神经元和网络工作。 为进一步的研究提供了依据 (可以完成布尔逻辑计算)


1949年Donala U.Hebb(心理学家)论 著《The Organization of Behavior(行 为自组织)》,提出突触联系强度可变 的假设,认为学习的过程最终发生在神 经元之间的突触部位,突触的联系强度 随着突触前后神经元的活动而变化。 ——赫布规则 多用于自组织网络的学习。即:若两个 神经元输出兴奋,则它们之间的连接权 加强,反之减少。wij wij Si S j
赫布规则意义(提出了变化的概念)

提出了一个神经网络里信息是储藏在突 触连接的权中的概念


连接权的学习律是正比于两个被连接神 经细胞的活动状态值的乘积 假设权是对称的 细胞的互相连接的结构是他们权的改变 创造出来的


1957年Frank Rosenblatt定义了一个神经网络 结构,称为感知器(Perceptron) 。 规则学习 意义:第一次把神经网络研究从纯理论的探讨 推向工程实现,在IBM704计算机上进行了模 拟,证明了该模型有能力通过调整权的学习达 到正确分类的结果。掀起了神经网络研究高潮。

人工智能研究人脑的推理、学习、思考、规 划等思维活动,解决需人类专家才能处理的 复杂问题。

神经网络企图阐明人脑结构及其功能,以及 一些相关学习、联想记忆的基本规则(联想、 概括、并行搜索、学习和灵活性)
概述

例如:

人工智能专家系统是制造一个专家,几十年难 以培养的专家。 神经网络是制造一个婴儿,一个幼儿,一个可 以学习,不断完善,从一些自然知识中汲取智 慧的生命成长过程。
BP神经网络
x1 w1
Σ
xn wn
θ
Y
前馈型神经网


基本原理,结构简单。很少在实际应用中出 现。采用阶跃函数作为传递函数。从2维空 间可以很显然的看出其分类功能,但Minsky 等揭示的致命弱点也一目了然。关键是学习 算法及网络设计方法: (1) y 输出yi等于: i f ( wij x j j )
前馈型神经网-单层感知器
其中
1 u j 0 f (u j ) 1 u j 0
前馈型神经网-单层感知器
线性可分与不可分 p n 如果输入x有k个样本,x , p=1, 2, …, k, xR



当将这些样本分别输入到单输出的感知器中,在 一定的和下,输出有两种可能+1或-1。 把样本xp看作为在n维状态空间中的一个矢量, 那么k个样本为输入空间的k个矢量。而方程(1) 就是把这个n维空间分为SA、SB两个子空间,其 分界线为n-1维的超平面。即用一个单输出的感 知器通过调整参数及来达到k个样本的正确划分。 如:........….
1 2 n
x1
x2
xn

反馈型全互联网络:所有计算单元之间都有联接。如: Hopfield网络

反馈型局部联接网络:特例,每个神经元的输出只与 其周围的神经元相连,形成反馈网络。
网络分类

分类
前馈型; 反馈型; 自组织竞争; 随机网络 其它

基本属性

基本属性:


非线性: 非线性关系是自然界的普遍特性。大脑的智慧就是 一种非线性现象。人工神经元处于激活或抑制两种 不同的状态。这种行为在数学上表现为一种非线性。 非局域性: 一个神经网络通常由多个神经元广泛联接而成。一 个系统的整体行为不仅取决于单个神经元的特征, 而且可能主要由单元之间的相互作用、相互联接所 决定。通过单元之间的大量联接模拟大脑的非局域 性。联想记忆是非局域性的典型例子。
前馈型神经网-单层感知器
........….
x A S A , x B S B其中( A 1,2,...l , B l 1, l 2, , , , k )
则存在一组权值wij使得公式(1)满足:
x A S A , y 1; x B S B , y 1
则称样本集为线性可分的,否则为线性不 可分的。

1943年McCulloch(心理学家)和Pitts (数理逻辑学家)发表文章,提出M-P 模型。描述了一个简单的人工神经元模 型的活动是服从二值(兴奋和抑制)变 化的。总结了神经元的基本生理特性, 提出了神经元的数学描述和网络的结构 方法。——标志神经计算时代的开始 输出表达式 1 xi y xi 0 图

非定常性: 人工神经网络具有自适应、自组织、自学习能力。 神经网络不但处理的信息有各种各样,而且在处理 信息的同时,非线性动力系统本身也在不断变化。 经常采用迭代过程描写动力系统的演化过程。
非凸性: 一个系统的演化方向,在一定条件下,将取决于某 个特定的状态函数,如能量函数,它的极值相应于 系统比较稳定的状态。非凸性是指这种函数有多个 极值,故系统具有多个较稳定的平衡态,这将导致 系统演化的多样性。
概述

发展史

1890年,美国生物学家W.James出版 了《Physiology》(生理学)一书。 首次阐明了有关人脑结构及其功能, 以及相关学习、联想、记忆的基本规 律。指出:人脑中当两个基本处理单 元同时活动,或两个单元靠得比较近 时,一个单元的兴奋会传到另一个单 元。而且一个单元的活动程度与他周 围的活动数目和活动密度成正比。图
研究内容 知识表示方法 知识储存方式
信息传递方式 信息处理方式
神经元模型
树突 细胞质 细胞核 突触
细胞膜
来自其他细胞
轴突
神经末梢

神经元

每一个细胞处于两种状态。突触联接 有强度。多输入单输出。实质上传播 的是脉冲信号,信号的强弱与脉冲频 率成正比。
x1 x2 θ xn si yi
i
ui

转移函数:
y j f ( wij xi j )
i 1 n
1 f (u j ) 0
uj 0 uj 0
1969M.Minsky和S. Papert发表了 《Perceptrons》的论著,指出感知器仅 能解决一阶谓词逻辑,只能做线性划分。 对于非线性或其他分类会遇到很大困难。 一个简单的XOR问题的例子就证明了这 一点。——神经网络研究一度达到低潮。 原因还有:计算机不够发达、VLSI还没 出现、而人工智能和专家系统正处于发 展高潮。 图 能划分的、不能划分的
第三章 基于人工神经网络的建模 设计方法

人工神经网络简介 BP网络 反馈式神经网络 人工神经网络应用
3.1人工神经网络简介
人工神经网络: 采用物理可实现的系统来模仿人脑神经细 胞的结构和功能的系统。
研究神经网络目的:

用计算机代替人的脑力劳动。 计算机速度为纳秒级,人脑细胞反应时间是毫秒 级。而计算机不如人。 长期以来人类的梦想,机器既能超越人的计算能 力,又有类似于人的识别、分析、联想等能力。
网络模型

前馈网络:每层只与前层相联接
y1 y2 yn
x1
x2
xn

输入输出有反馈的前馈网络:输出层上存在一 个反馈回路,将信号反馈到输入层。而网络本 身还是前馈型的 y y y
1 2 n
x1
x2
xn

前馈内层互联网络:外部看还是一个前 向网络,内部有很多自组织网络在层内 y y 互联着。 y
相关文档
最新文档