第四章常见神经网络模型.pptVIP

*第1页，共33页，星期日，2025年，2月5日智能控制技术第4章人工神经元网络模型4.1引言4.2常见神经网络模型*第2页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器感知器（Perceptron）模型由美国心理学家Rosenblatt于1958年提出，其简化模型如下图：4.2常见神经网络模型*第3页，共33页，星期日，2025年，2月5日一、感知器4.2常见神经网络模型感知器的数学模型：其中：f[.]是阶跃函数或符号函数，并且有θ是阈值。*第4页，共33页，星期日，2025年，2月5日感知器的最大作用就是可以对输入的样本分类，故它可作分类器，感知器对输入信号的分类如下：即：当感知器的输出为1时，输入样本称为A类；输出为0时，输入样本称为B类。感知器的分类边界是：4.2常见神经网络模型一、感知器*第5页，共33页，星期日，2025年，2月5日在输入样本只有两个分量x1，x2时，则有分类边界条件：即????w1x1+w2x2-θ=0?4.2常见神经网络模型一、感知器*第6页，共33页，星期日，2025年，2月5日感知器的学习算法：感知器的学习算法目的在于找寻恰当的权系数w＝(w1，w2，…，wn)，使系统对一个特定的样本x＝(x1，x2，…，xn)能产生期望输出y。当x分类为A类时，期望值y＝1；X为B类时，y=0。4.2常见神经网络模型一、感知器*第7页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器感知器的学习算法：1、初始化：置权系数w为最小的随机数；2、训练：输入一样本x＝(x1，x2，…，xn)以及它的期望输出y*；3、计算实际输出：；4、计算误差：；5、修改权系数和阈值；6、转2，直到误差满足要求。

*第8页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器例：有一组训练向量，对单输出感知器有：X1=[-1，1，-2，0]T，X2=[-1，0，1.5，-0.5]T，X3=[-1，-1，1，0.5]T，设初始权值为Wi（0）=[0.5，1，-1，0]T,η=0.3，期望输出为Y1=0，Y2=0，Y3=1，试训练感知器网络。

*第9页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器从感如器的学习算法可知，学习的目的是在于修改网络中的权系数，使网络对于所输入的模式样本能正确分类。当学习结束时，也即神经网络能正确分类时，显然权系数就反映了同类输人模式样本的共同特征。换句话讲，权系数就是存储了的输入模式。由于权系数是分散存在的，故神经网络自然而然就有分布存储的特点。

*第10页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器感知器实质是一个分类器，可以用于实现逻辑函数。其分类条件是样本是线性可分的。例：用感知器实现逻辑函数X1UX2的真值：?X10011X20101X1UX20111*第11页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器以X1UX2＝1为A类，以X1UX2=0为B类，则有方程组：?令W1=1，W2=2，则有：θ≤1取?θ=0.5，则有：X1+X2-0.5=0*第12页，共33页，星期日，2025年，2月5日4.2常见神经网络模型一、感知器x1x2（0,0）（0,1）（1,0）（1,1）x1x2（0,0）（0,1）（1,0）（1,1）逻辑与逻辑或逻辑异或x1x2（0,0）（0,1）（1,0）（1,1）x1x2（0,0）（0,1）（1,0）（1,1）*第13页，共33页，星期日，2025年，2月5日二、BP网络4.2常见神经网络模型1986年，Rumelhart提出了一种利用误差反向传播（BackPropagation）训练算法的神经网络，简称BP网络，是一种多层前向网络，其特征为：1、由输入层、隐含层、输出层组成；2、同层节点之间没有互连；3、每层节点的输出只影响下层节点；4、激励函数多为S型。*第14页，共33页，星期日，2025年，2月5日二、BP网络4.2常见神经网络模型BP网络的数学模型：设有一个m层的神经网络，并在输入层加有样本