泛朦第三系神經(jīng)系

泛朦第三系—神經(jīng)系

(NeuralNetwork)泛朦第三系神經(jīng)系第1頁類神經(jīng)網(wǎng)路導(dǎo)論類神經(jīng)網(wǎng)路（artificialneuralnetwork）或譯為人工神經(jīng)網(wǎng)路：模仿生物神經(jīng)網(wǎng)路資訊處理系統(tǒng)。泛朦第三系神經(jīng)系第2頁精確定義一種計算系統(tǒng)：硬體、軟體。大量簡單相連人工神經(jīng)元：模仿生物神經(jīng)網(wǎng)路能力。取得資訊：外界環(huán)境、人工神經(jīng)元。輸出結(jié)果：外界環(huán)境其它人工神經(jīng)元。泛朦第三系神經(jīng)系第3頁背景（1）1957年（電腦發(fā)展早期）：第一種類神經(jīng)網(wǎng)路模式—感知機(jī)（Perceptron）提出。1960年代中期沒落。泛朦第三系神經(jīng)系第4頁沒落原因1.本身理論無法突破（EX：XOR問題）。2.數(shù)位電腦、人工智慧吸引。3.當(dāng)時相關(guān)技術(shù)無法實(shí)現(xiàn)「神經(jīng)電腦」。泛朦第三系神經(jīng)系第5頁背景（2）80年代中期：類神經(jīng)網(wǎng)路研究復(fù)興，而在短短數(shù)年之內(nèi)蔚為風(fēng)潮。原因：以下4點(diǎn)。泛朦第三系神經(jīng)系第6頁復(fù)興原因（1）類神經(jīng)網(wǎng)路在理論建立與模式開發(fā)上有了突破，最明顯突破包含：霍普菲爾網(wǎng)路（Hopfieldneuralnetwork，HNN）倒傳遞網(wǎng)路（Back-propagationnetwork）。泛朦第三系神經(jīng)系第7頁復(fù)興原因（2）解決電腦科學(xué)與人工智慧難題，（EX：樣本識別、機(jī)器學(xué)習(xí)）。電子、光學(xué)等技術(shù)進(jìn)展：提供實(shí)現(xiàn)「神經(jīng)電腦」可能性（EX：基於VLSI神經(jīng)電腦與光神經(jīng)電腦誕生）。泛朦第三系神經(jīng)系第8頁復(fù)興原因（3）從現(xiàn)代生物學(xué)、認(rèn)知學(xué)、心裡學(xué)對生物神經(jīng)網(wǎng)路瞭解，提供了發(fā)展新類神經(jīng)網(wǎng)路模式啟示。

泛朦第三系神經(jīng)系第9頁生物神經(jīng)元模型生物神經(jīng)網(wǎng)路：由巨量神經(jīng)細(xì)胞，或稱神經(jīng)元所組成，神經(jīng)細(xì)胞形狀和普通細(xì)胞有很大不一樣。泛朦第三系神經(jīng)系第10頁神經(jīng)細(xì)胞神經(jīng)核：神經(jīng)細(xì)胞呈核狀處理機(jī)構(gòu)。軸索（神經(jīng)軸）：神經(jīng)細(xì)胞成軸索狀輸送機(jī)構(gòu)。樹突（神經(jīng)樹）：神經(jīng)細(xì)胞成樹枝狀輸出入機(jī)構(gòu)。突觸（神經(jīng)節(jié)）：神經(jīng)細(xì)胞神經(jīng)樹上乘點(diǎn)狀連結(jié)機(jī)構(gòu)。泛朦第三系神經(jīng)系第11頁神經(jīng)核（soma）神經(jīng)軸突（axon）神經(jīng)突觸（synapses）（synapses）神經(jīng)樹突（dendrites）(dendrites）泛朦第三系神經(jīng)系第12頁人工神經(jīng)元模型（1）類神經(jīng)網(wǎng)路：由許多人工神經(jīng)細(xì)胞（artificialneuron）所組成。又稱類神經(jīng)元、人工神經(jīng)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。泛朦第三系神經(jīng)系第13頁人工神經(jīng)元模型（2）其中Yj=模仿生物神經(jīng)元模型輸出訊號。處理單元輸出值與輸入值關(guān)係式：普通用輸入值加權(quán)乘積和之函數(shù)來表示泛朦第三系神經(jīng)系第14頁人工神經(jīng)元模型（3）f＝模仿生物神經(jīng)元模型轉(zhuǎn)移函數(shù)（transferfunction）。Wij＝模仿生物神經(jīng)元模型神經(jīng)鏈結(jié)強(qiáng)度，又稱鏈結(jié)加權(quán)值。泛朦第三系神經(jīng)系第15頁人工神經(jīng)元模型（4）Xi＝模仿生物神經(jīng)元模型輸入訊號（inputsignal）。θ＝模仿生物神經(jīng)元模型閥值（thresholdvalue）。泛朦第三系神經(jīng)系第16頁泛朦第三系神經(jīng)系第17頁人工神經(jīng)元模型（5）鏈結(jié)（connection）：介於處理單元間訊號傳遞路徑。每一個鏈結(jié)上有一個數(shù)值加權(quán)值Wij，用以表示第i處理單元對第j處理單元之影響程度。泛朦第三系神經(jīng)系第18頁人工神經(jīng)元模型（6）一個類神經(jīng)網(wǎng)路:由許多個人工神經(jīng)元所組成，並且能夠組成不一樣網(wǎng)路模式（networkmodel）或網(wǎng)路典範(fàn)（networkparadigm）。泛朦第三系神經(jīng)系第19頁類神經(jīng)網(wǎng)路模型(1)倒傳遞網(wǎng)路（back-propagationnetwork，BPN）:應(yīng)用最普遍。BPN:包含許多層(含若干個處單元)泛朦第三系神經(jīng)系第20頁類神經(jīng)網(wǎng)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(jīng)網(wǎng)路表現(xiàn)處理單元間交互作用與問題內(nèi)在結(jié)構(gòu)能力。泛朦第三系神經(jīng)系第21頁泛朦第三系神經(jīng)系第22頁網(wǎng)路分類（1）當(dāng)前著名類神經(jīng)網(wǎng)路不下數(shù)十種，主要分為四類1.監(jiān)督式學(xué)習(xí)網(wǎng)路：從問題領(lǐng)域中取得訓(xùn)練範(fàn)例（有輸入變數(shù)值，也有輸出變數(shù)），並從中學(xué)習(xí)輸入變數(shù)與輸出變數(shù)內(nèi)在對映規(guī)則，以應(yīng)用於新案例（只有輸入變數(shù)值，而需推論輸出變數(shù)值應(yīng)用）如BP。泛朦第三系神經(jīng)系第23頁網(wǎng)路分類（2）2.無監(jiān)督式學(xué)習(xí)網(wǎng)路：從問題領(lǐng)域中取得訓(xùn)練範(fàn)例（只有輸入變數(shù)值），並從中學(xué)習(xí)範(fàn)例內(nèi)在聚類規(guī)則，以應(yīng)用於新案例。3.聯(lián)想式學(xué)習(xí)網(wǎng)路：從問題領(lǐng)域中取得訓(xùn)練範(fàn)例（狀態(tài)變數(shù)值），並從中學(xué)習(xí)範(fàn)例內(nèi)在記憶規(guī)則，以應(yīng)用於新案例，如霍普菲爾網(wǎng)路。泛朦第三系神經(jīng)系第24頁網(wǎng)路分類（2）4.最適化應(yīng)用網(wǎng)路：對一問題決定其設(shè)計變數(shù)值，使其在滿足設(shè)計變數(shù)下，使設(shè)計目標(biāo)達(dá)最正確狀態(tài)應(yīng)用，如退火神經(jīng)網(wǎng)路。泛朦第三系神經(jīng)系第25頁類神經(jīng)網(wǎng)路運(yùn)作（1）類神經(jīng)網(wǎng)路運(yùn)作過程分成兩個階段：學(xué)習(xí)過程：從範(fàn)例學(xué)習(xí)，以調(diào)整網(wǎng)路連節(jié)加權(quán)值過程?；叵脒^程：網(wǎng)路依回想演算法，以輸入資料決定網(wǎng)路輸出資料過程。泛朦第三系神經(jīng)系第26頁類神經(jīng)網(wǎng)路運(yùn)作（2）1.訓(xùn)練範(fàn)例：藉此調(diào)整網(wǎng)路連結(jié)加權(quán)值。訓(xùn)練範(fàn)例型式依所使用網(wǎng)路模式之不一樣而異。2.測試範(fàn)例：用以評估網(wǎng)路學(xué)習(xí)結(jié)果所使用範(fàn)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(biāo)輸出值比較，以評估網(wǎng)路學(xué)習(xí)精度。泛朦第三系神經(jīng)系第27頁類神經(jīng)網(wǎng)路運(yùn)作（3）3.待推案例：網(wǎng)路學(xué)習(xí)過程完後，可用網(wǎng)路推論待推案例結(jié)果。（2.3）差異：前者沒有目標(biāo)輸出變數(shù)向量泛朦第三系神經(jīng)系第28頁優(yōu)點(diǎn)高速計算能力高容記憶能力學(xué)習(xí)能力容錯能力泛朦第三系神經(jīng)系第29頁應(yīng)用監(jiān)督式學(xué)習(xí)應(yīng)用：分類、預(yù)測。非監(jiān)督式學(xué)習(xí)應(yīng)用：聚類。聯(lián)想式學(xué)習(xí)應(yīng)用：雜訊過濾、資料擷取。最正確化問題應(yīng)用：設(shè)計、排程。泛朦第三系神經(jīng)系第30頁基本架構(gòu)（1）處理單元：類神經(jīng)網(wǎng)路基本單位作用可用三個函數(shù)來說明：1）集成函數(shù)2）作用函數(shù)3）轉(zhuǎn)換函數(shù)泛朦第三系神經(jīng)系第31頁基本架構(gòu)（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(guī)化輸出2）競爭化輸出3）競爭化學(xué)習(xí)

泛朦第三系神經(jīng)系第32頁基本架構(gòu)（3）網(wǎng)路：若干個具不一樣作用層集合成網(wǎng)路網(wǎng)路兩種作用：1）學(xué)習(xí)過程2）回想過程泛朦第三系神經(jīng)系第33頁泛朦第三系神經(jīng)系第34頁C：實(shí)數(shù)型常數(shù)。單調(diào)(monotonic)遞增、平滑且可微分函數(shù)。採用：倒傳遞類神經(jīng)網(wǎng)路、連續(xù)型霍普菲爾網(wǎng)路，都是此種活化函數(shù)。泛朦第三系神經(jīng)系第35頁倒傳遞網(wǎng)路倒傳遞類神網(wǎng)路模式是當(dāng)前類神網(wǎng)路學(xué)習(xí)模式中最具代表性，應(yīng)用最普遍模式。倒傳遞類神經(jīng)網(wǎng)路屬於監(jiān)督式學(xué)習(xí)網(wǎng)路，因而適合診斷、預(yù)測等應(yīng)用。泛朦第三系神經(jīng)系第36頁???????????????輸出向量輸入向量輸出層：表示輸出變數(shù)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(shù)泛朦第三系神經(jīng)系第37頁範(fàn)例文章：IntegrationofGrayPredictionandFuzzyModelforImprovingBack-propagationLearningAlgorithmR.J.Kuo,C.Y.Chiu,andC.C.HsiehFuzzy泛朦第三系神經(jīng)系第38頁題目簡述基本觀念：利用灰預(yù)測和含糊理論來改進(jìn)BP訓(xùn)練速度。模擬：XOR範(fàn)例設(shè)定：初始學(xué)習(xí)率：0.3，學(xué)習(xí)次數(shù)1000次。由MSE（meansquareerror）來判定收斂效。泛朦第三系神經(jīng)系第39頁解法（灰色）建立GM（1,1）模型灰微分方程式目標(biāo)：預(yù)測error（PE）andchangeoferror(PCE)。用PE和PCE根據(jù)FUZZY規(guī)則，調(diào)整訓(xùn)練參數(shù)。泛朦第三系神經(jīng)系第40頁解法（類神經(jīng)）各層間初始權(quán)重：亂數(shù)。開始時訓(xùn)練誤差大：給大學(xué)習(xí)率使系統(tǒng)收斂快。當(dāng)訓(xùn)練靠近最正確化：給小學(xué)習(xí)率以免震盪。訓(xùn)練速度調(diào)整是根據(jù)PE和PCE。泛朦第三系神經(jīng)系第41頁解法（含糊）PE大時或非常大，訓(xùn)練速率大，反之亦然。PCE負(fù)時訓(xùn)練速率應(yīng)增加，PCE正時訓(xùn)練速率應(yīng)減小。