神经网络算法-入门【ppt】.pptVIP

*;本章要点;一、神经网络简介;一、神经网络简介;一、神经网络简介;一、神经网络简介;一、神经网络简介;一、神经网络简介;一、神经网络简介;神经网络的基本功能;神经网络的基本功能;神经网络的基本功能;神经网络的应用领域：信息处理领域 信号处理 模式识别 数据压缩 ;神经网络的应用领域：自动化领域 系统识别 神经控制器 智能检测 ;神经网络的应用领域：工程领域 汽车工程 军事工程 化学工程 水利工程 ;神经网络的应用领域：医学领域 检测数据分析 生物活性研究 医学专家系统 ;神经网络的应用领域：经济领域 信贷分析 市场预测 ;神经网络的软硬件实现 神经网络编程语言既可用高级语言也可用低级语言。C语言是神经网络应用软件的基本编程工具;汇编语言常用于提高神经网络的已有功能或解决与硬件相关的难点。 MATLAB名字由MATrix和 LABoratory 两词的前三个字母组合而成。20世纪七十年代后期，时任美国新墨西哥大学计算机科学系主任的Cleve Moler教授出于减轻学生编程负担的动机，为学生设计了一组调用LINPACK和EISPACK库程序的“通俗易用”的接口，此即用FORTRAN编写的萌芽状态的MATLAB。 ;神经网络的软硬件实现 MATLAB以商品形式出现后，仅短短几年，就以其良好的开放性和运行的可靠性，使原先控制领域里的封闭式软件包（如英国的UMIST，瑞典的LUND和SIMNON，德国的KEDDC）纷纷淘汰，而改以MATLAB为平台加以重建。在时间进入20世纪九十年代的时候，MATLAB已经成为国际控制界公认的标准计算软件。 ;神经网络的软硬件实现 在欧美大学里，诸如应用代数、数理统计、自动控制、数字信号处理、模拟与数字通信、时间序列分析、动态系统仿真等课程的教科书都把MATLAB作为内容。这几乎成了九十年代教科书与旧版书籍的区别性标志。在那里，MATLAB是攻读学位的大学生、硕士生、博士生必须掌握的基本工具。 ;神经网络的软硬件实现 MATLAB的推出得到了各个领域的专家学者的广泛关注，在此基础上，专家们相继推出了MATLAB工具箱，主要包括信号处理、控制系统、神经网络、图像处理、鲁棒控制、非线性系统控制设计、系统辨识、最优化、模糊逻辑、小波等工具箱，这些工具箱给各个领域的研究和工程应用提供了有力的工具。 ;参考文献 [1]人工神经网络教程（第1版）韩力群，北京：北京邮电大学出版社，2006年 [2]神经网络(影印版) , Satish Kumar ,北京：清华大学出版社 ， 2006年 [3]神经网络设计(英文版) （美）黑根 等著,机械出版社，中信出版社，2002 [4] 神经网络模型及其MATLAB仿真程序设计，周开利，康耀红，北京：清华大学出版社 ， 2005年 ;三、神经网络建模基础;三、神经网络建模基础;人工神经网络的生物学基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;;生物神经网络;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;τij—— 输入输出间的突触时延； Tj —— 神经元j的阈值； wij—— 神经元i到 j 的突触连接系数或称 权重值； f ( )——神经元转移函数。;三、神经网络建模基础;(3); net’j=WjTX;(5);三、神经网络建模基础;(1)阈值型转移函数;(2)非线性转移函数;(2)非线性转移函数;(3)分段线性转移函数;(3)分段线性转移函数;(4)概率型转移函数;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;三、神经网络建模基础;网络拓扑结构类型 ;输出层到输入层有连接;层内有连接层次型结构;全互连型结构;局部互连型网络结构;网络信息流向类型;前馈型网络;反馈型网络;三、神经网络建模基础; 神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以使网络的输出不断地接近期望的输出。这一过程称为神经网络的学习或训练，其本质是可变权值的动态调整。;神经网络的学习类型：;学习的过程（权值调整的一般情况 ）;;;;;;7.3.2 反向传播模型;2.学习过程 BP网络学习过程是一种误差边向后传播边修正权系数的过程，BP算法把网络的学习过程分为正向传播和反向传播两种交替过程。 ;3．BP算法 BP算法如下。 其中，l为学习率；oi为单元i的输出；oj为单元j的输出；Tj为输出层单元j的期望输出；Errj为与隐藏层单元j的误差加权和；wjk为单元j与单元k相连的有向加权边的权重；为改变单元j活性的偏量。 输入：训练样本S，学习率l，多层前馈网络。 输出：一个训练的、