1.0 什么是神经网络技术?
- 神经网络是由数个至数十亿个被称为神经元的细胞(组成我们大脑的微小细胞）所组成，它们以不同方法连接而型成网络。
- 人工神经网络就是尝试模拟这种生物学上的体系及其操作用于信息处理技术。
- 人工神经网络是利用多个简单计算模型有机构成计算网络用以实现一个复杂的规则。
2.0 神经网络技术的主要用途?
- 利用一定数据在一定误差下逼近一个解析式未知的函数。
- 利用人工神经网络实现空间的线性或非线性划分，以此实现目标分类。
//
3.0 神经网络的实现是基于数据的，最终的规则对用户是透明的。
4.0 决定神经网络性能的几个因素:
- 神经网络的网络结构:包括神经网络的层数、每层神经元数量;
- 每层神经元的作用函数;
- 神经网络训练的目标函数和学习算法;
- 神经网络权值和阈值的初始值;
- 神经网络的训练数据。
5.0 神经网络的应用步骤:
- 神经网络的设计,包括确定网络结构、作用函数和学习算法;
- 神经网络初始化;
- 利用实验方法获得神经网络的训练数据和测试数据;
- 利用实验数据对网络进行训练和测试;
- 利用训练后的网络处理相关的输入信息。
6.0 感知器神经网络特点:
- 网络结构上可以为单层或多层的前向网络结构;
- 作用函数为阶跃函数，因此输出为二值变量;
- 利用输入和误差简单计算权值和阈值调整量,学习算法很简单;
- 一般用于解决较为简单的线性分类问题。
感知器神经网络的学习算法:
权值调整:
权值增量:
阈值调整:
阈值增量:
在Matlab中训练网络:
[net,y,e]=adapt(net,p,t)
在Matlab中仿真网络:
A=sim(net,p)
7.0 线性神经网络的局限性:
- 采用线性作用函数,只能反映线性映射关系;=训练不一定能达到零误差;
- 网络的训练和性能受学习速率的影响。
8.0 BP神经网络的学习算法:
- 网络学习中的正向传播和反向传播
- 正向计算用于网络输出计算。
9.0 BP神经网络的反向误差传播算法:
·确定网络学习的目标函数:目标函数是网络学习和调整的准则,一般为反映误差大小等网络性能的函数。如取误差的L2范数作为目标函数,以Ep表示第p组样本训练第n步时的目标函数。
BP神经网络结构框图
10. 0 总结
上文带大家认识人工神经网络技术基础。后续会教大家更加奇特的操作，欢迎一键三连😂😂😂
在以后的博文中我们将分享更多生活技巧，美好生活每一天！好好学习天天向上，从而实现对外部世界进行感知，充分认识这个有机与无机的环境，科学地合理地进行创作和发挥效益，然后为人类社会发展贡献一点微薄之力。
