人工神经网络综述.docx
- 文档编号:29695336
- 上传时间:2023-07-26
- 格式:DOCX
- 页数:19
- 大小:60.54KB
人工神经网络综述.docx
《人工神经网络综述.docx》由会员分享,可在线阅读,更多相关《人工神经网络综述.docx(19页珍藏版)》请在冰豆网上搜索。
人工神经网络综述
模式识别-大作业
题目:
人工神经网络综述
物联网工程学院计算机科学与技术专业
学号1030413529
学生姓名游思睿
二〇一六年十月
人工神经网络综述
1、神经网络发展
1)启蒙时期
启蒙时期开始于1980年美国著名心理学家W.James关于人脑结构与功能的研究,结束于1969年Minsky和Pape~发表的《感知器》(Perceptron)一书。
早在1943年,心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型(即M—P模型),该模型把神经细胞的动作描述为:
1神经元的活动表现为兴奋或抑制的二值变化;2任何兴奋性突触有输入激励后,使神经元兴奋与神经元先前的动作状态无关;3任何抑制性突触有输入激励后,使神经元抑制;4突触的值不随时间改变;5突触从感知输入到传送出一个输出脉冲的延迟时问是0.5ms。
可见,M—P模型是用逻辑的数学工具研究客观世界的事件在形式神经网络中的表述。
现在来看M—P模型尽管过于简单,而且其观点也并非完全正确,但是其理论有一定的贡献。
因此,M—P模型被认为开创了神经科学理论研究的新时代。
1949年,心理学家D.0.Hebb提出了神经元之间突触联系强度可变的假设,并据此提出神经元的学习规则——Hebb规则,为神经网络的学习算法奠定了基础。
1957年,计算机学家FrankRosenblatt提出了一种具有三层网络特性的神经网络结构,称为“感知器”(Perceptron),它是由阈值性神经元组成,试图模拟动物和人脑的感知学习能力,Rosenblatt认为信息被包含在相互连接或联合之中,而不是反映在拓扑结构的表示法中;另外,对于如何存储影响认知和行为的信息问题,他认为,存储的信息在神经网络系统内开始形成新的连接或传递链路后,新
的刺激将会通过这些新建立的链路自动地激活适当的响应部分,而不是要求任何识别或坚定他们的过程。
1962年Widrow提出了自适应线性元件(Ada—line),它是连续取值的线性网络,主要用于自适应信号处理和自适应控制。
2)低潮期
人工智能的创始人之一Minkey和pape~经过数年研究,对以感知器为代表的网络系统的功能及其局限性从数学上做了深入的研究,于1969年出版了很有影响的《Perceptron)一书,该书提出了感知器不可能实现复杂的逻辑函数,这对当时的人工神经网络研究产生了极大的负面影响,从而使神经网络研究处于低潮时期。
引起低潮的更重要的原因是:
20世纪7O年代以来集成电路和微电子技术的迅猛发展,使传统的冯·诺伊曼型计算机进入发展的全盛时期,因此暂时掩盖了发展新型计算机和寻求新的神经网络的必要性和迫切性。
但是在此时期,波士顿大学的S.Grossberg教授和赫尔辛基大学的Koho—nen教授,仍致力于神经网络的研究,分别提出了自适应共振理论(AdaptiveResonanceTheory)和自组织特征映射模型(SOM)。
以上开创性的研究成果和工作虽然未能引起当时人们的普遍重视,但其科学价值却不可磨灭,它们为神经网络的进一步发展奠定了基础。
3)复兴时期
20世纪80年代以来,由于以逻辑推理为基础的人工智能理论和冯·诺伊曼型计算机在处理诸如视觉、听觉、联想记忆等智能信息处理问题上受到挫折,促使人们怀疑当前的冯·诺伊曼型计算机是否能解决智能问题,同时也促使人们探索更接近人脑的计算模型,于是又形成了对神经网络研究的热潮。
1982年,美国加州理工学院的物理学家JohnJ.Hopfield博士发表了一篇对神经网络研究的复苏起了重要作用的文章,他总结与吸取前人对神经网络研究的成果与经验,把网络的各种结构和各种算法概括起来,塑造出一种新颖的强有力的网络模型,称为Hopfield网络。
他引入了“计算能量函数”的概念,给出了网络稳定性依据。
从而有力地推动了神经网络的研究与发展。
1986年,Rumelhart及.Cun等学者提出了多层感知器的反向传插算法,克服了当初阻碍感知器模型继续发展的重要障碍。
这一时期,大量而深入的开拓性工作大大发展了神经网络的模型和学习算法,增强了对神经网络特性的进一步认识,使人们对模仿脑信息处理的智能计算机的研究重新充满了希望。
4)新时期
1987年6月,首届国际神经网络学术会议在美国加州圣地亚哥召开,这标志着世界范围内掀起了神经网络开发研究的热潮。
在这次会上成立了国际神经网络学会(INNS),并于1988年在美国波士顿召开了年会,会议讨论的议题涉及到生物、电子、计算机、物理、控制、信号处理及人工智能等各个领域。
自1988年起,国际神经网络学会和国际电气工程师与电子工程师学会(IEEE)联合召开了每年一次的国际学术会议。
这次会议后不久,美国波士顿大学的StephenGrossberg教授、芬兰赫尔辛基技术大学的TeuvoKohonen教授及日本东京大学的甘利俊一教授,主持创办了世界第一份神经网络杂志《NeuralNetwork)。
随后,IEEE也成立了神经网络协会并于1990年3月开始出版神经网络会刊,各种学术期刊的神经网络特刊也层出不穷。
从1987年以来,神经网络的理论、应用、实现及开发工具均以令人振奋的速度快速发展。
神经网络理论已成为涉及神经生理科学、认知科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、生物电子学等多学科交叉、综合的前沿学科。
神经网络的应用已渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目标识别、机器人专家系统等各个领域,并取得了令人瞩目的成果。
2、人工神经网络的应用
(1)信息领域
信息领域神经网络作为一种新型智能信息处理系统,其应用贯穿信息的获取、传输、接收与加工利用等各个环节。
1)信号处理神经网络广泛应用于自适应信号处理和非线性信号处理。
前者如信号的自适应滤波、时间序列预测、谱估计、噪声消除等;后者如非线性滤波、非线性预测、非线性编码、调制解调等。
2)模式识别模式识别涉及模式的预处理变换和将一种模式映射为其他类型的操作。
神经网络不仅可以处理静态模式如固定图像、固定能谱等,还可以处理动态模式如视频图像、连续语音等。
3)数据压缩在数据传送存储时,数据压缩至关重要。
神经网络可对待传送的数据提取模式特征,只将该特征传出,接收后再将其恢复成原始模式。
(2)自动化领域
神经网络和控制理论与控制技术相结合,发展为神经网络控制。
为解决复杂的非线性不确定、不确知系统的控制问题开辟了一条新的途径。
1)系统辨识在自动控制问题中,系统辨识的目的是为了建立被控对象的数学模型。
多年来控制领域对于复杂的非线性对象的辨识,一直未能很好的解决。
神经网络所具有的非线性特性和学习能力,使其在系统辨识方面有很大的潜力,为解决具有复杂的非线性、不确定性和确知对象的辨识问题开辟了一条有效途径。
2)神经控制器控制器在实时控制系统中起着“大脑”的作用,神经网络具有自学习和自适应等智能特点,因而非常适合于做控制器。
对于复杂非线性系统神经控制器所达到的控制效果往往明显好于常规控制器。
3)智能检测所谓智能检测一般包括干扰量的处理,传感器输入特性的非线性补偿,零点和量程的自动校正以及自动诊断等。
这些智能检测功能可以通过传感元件和信号处理元件的功能集成来实现。
在综合指标的检测(例如对环境舒适度这类综合指标的检测)中,以神经网络作为智能检测中的信息处理元件便于对多个传感器的相关信息(如温度、湿度、风向和风速等)进行复合、集成、融合、联想等数据融合处理,从而实现单一传感器所不具备的功能。
(3)工程领域
1)汽车工程汽车在不同状态参数下运行时,能获得最佳动力性与经济性的档位称为最佳档位。
利用神经网络的非线性映射能力,通过学习优秀驾驶员的换档经验数据,可自动提取蕴含在其中的最佳换档规律。
另外,神经网络在汽车刹车自动控制系统中也有成功的应用,该系统能在给定刹车距离、车速和最大减速度的情况下一人体感受到最小冲击实现平稳刹车而不受路面坡度和车重的影响。
神经网络在载重车柴油机燃烧系统方案优化中也得到了应用,有效的降低了油耗和排烟度,获得了良好的社会经济效益。
2)军事工程神经网络同红外搜索与跟踪系统配合后,可发现和跟踪飞行器。
例如借助于神经网络可以检测空间卫星的动作状态是稳定、倾斜、旋转还是摇摆,一般正确率可达95%。
3)化学工程神经网络在制药、生物化学、化学工程等领域的研究与应用蓬勃开展,取得了不少成果。
例如在谱分析方面,应用神经网络在红外谱、紫外谱、折射光谱和质谱与化合物的化学结构问建立某种确定的对应关系方面的成功应用。
(4)经济领域
人工神经网络在经济领域的应用主要有:
1)价格预测
影响商品和服务价格变动的因素是复杂、多变的,传统的统计经济学方法存在不适合动态系统、建模复杂等局限性,难以对价格变动作出科学的预测,人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据,所以用人工神经网络进行价格预测是可行的,且有着传统方法无法比拟的优势。
从市场价格的确定机制出发,寻求影响商品住宅价格的因素.并采用BP人工神经网络定量分析这些影响因素,对商品住宅价格的变动趋势进行科学预测,并取得了满意的效果。
商品住宅价格影响因素选取及相关数据收集是进行价格预测的关键。
影响商品住宅价格变动的因素是复杂、多变的,很难将所有因素纳入分析研究。
但是在政治、经济比较平稳的时期,商品住宅价格的变动是由一些基本因素决定的。
基于稳定性、数据可获得性以及代表性三大原则。
该文选择了以下因素:
家庭户数、人均可支配收入、住宅建造成本、一年期贷款利率、城市化水平。
同时为了消除通货膨胀对数据波动的不利影响,将
2)风险评估
商业银行的风险管理问题是我国加入WTO后的一个突出问题。
目前。
信用风险仍然是我国商业银行最主要的风险。
我国商业银行目前正处在转轨时期,用传统方法评估信用风险难以达到满意的效果,而神经网络学习能力强,容错性好,具有很强的鲁棒性,适合评价信息不全的系统。
文僻根据我国的具体现实,运用人工神经网络技术。
构造出适合中国的信用风险模型,并对某国有银行提供的数据进行了实证研究。
文嘲对人工神经网络及其应用于信贷风险分析的可行性进行了论述,着重对构建商业银行信贷风险分析的人工神经网络模型进行了深入细致的研究。
文01将人工智能方法用于解决投资风险管理问题,研究了用人工神经网络方法进行风险评价的可行性,确定了神经网络投资风险评价模型的结构和算法,计算出了节点间的权重分布。
利用该模型进行了实证分析,取得满意效果。
3、人工神经网络的发展趋势与展望
人工神经网络是对人脑信息处理方式的模拟,但是目前的对人脑处理信息方式中一些实质性问题还没有取得突破性进展。
由于人们对人脑完整工作过程几乎没有什么认识,连一个稍微完善的可令人接受的假设也没有,这造成神经网络研究始终缺乏一个明确的大方向。
这方面如果不能有所突破,神经网络研究将始终限于模仿人脑局部功能的缓慢摸索过程当中,而难以达到研究水平的质的飞跃。
在数学研究方面,当今神经网络理论的发展,已经客观要求有关数学领域必须有所发展,并大胆预期一种更简洁、更完善和更有效的非线性系统表达与分析的数学方法是这一领域数学发展的主要目标之一。
因此与人工神经网络技术发展相关的数学领域的发展至关重要。
从神经网络发展过程看,理论研究经常走在前列,有时会超出实际使用阶段。
虽然说理论研究和实际应用可以相辅相成,但实际需求总是科技发展的主要推动力。
目前,在神经网络实用上,虽然有不少实际应用成果报道,如智能控制、模式识别及机器人控制等,但真正成熟的应用还比较少见。
故而在神经网络的应用上应寻求新的突破。
要真正实现神经网络计算机,神经网络芯片设计与生产技术必须有实质性的进展。
目前,在单片上集成数百个神经元的制作技术已经没有困难,但这种水平与神经网络实际应用的要求尚有较大距离。
神经网络硬件设计和理论研究相比,要落后很多。
因此,这也是神经网络研究发展的重要方向之一。
对于神经网络控制技术的研究主要集中在以下几个方面:
模糊神经网络的研究;模糊神经网络与遗传算法(GA)的结合;模糊神经网络与其他控制方法综台的选择;闭环系统稳定性的研究;新型神经网络和快速算法及其在控制系统中的应用的研究。
尽管神经控制相对于常规控制在某些方面有无可比拟的优势,它可以用来处理常规控制方法难以处理的复杂非线性系统的控制问题,而这并不意味着对所有的非线性系统的控制问题,神经控制就一定比常规控制好。
对有些可以用常规控制解决的非线性系统的控制问题,究竟采用哪一种方法好,目前尚无定论。
]因此,可将神经控制和常规控制用于相同的非线性系统,并对它们的控制效果进行比较研究。
它可为人们选择合适的控制方案提供指导。
人工智能的研究成了一个重要的组成部分。
人工神经网络的模型很多可以按照丌同的方法进行分类。
其中常见的两种分类方法是按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。
按照网络拓朴结构分类网络的拓朴结构即神经元之间的连接方式。
按此划分可将神经网络结构分为两大类层次型结构和互联型结构。
层次型结构的神经网络将神经元按功能和顺序的丌同分为输出层、中间层隐层、输出层。
输出层各神经元负责接收来自外界的输入信息并传给中间各隐层神经元隐层是神经网络的内部信息处理层负责信息变换。
根据需要可设计为一层或多层最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。
而互连型网络结构中任意两个节点之间都可能存在连接路径因此可以根据网络中节点的连接程度将互连型网络细分为三种情况全互连型、局部互连型和稀疏连接型。
另一方面按照网络信息流向分类从神经网络内部信息传递方向来看可以分为两种类型前馈型网络和反馈型网络。
单纯前馈网络的结构不分层网络结构相同前馈是因网络信息处理的方向是从输入层到各隐层再到输出层逐层进行而得名的。
前馈型网络中前一层的输出是下一层的输入信息的处理具有逐层传递进行的方向性一般丌存在反馈环路。
因此这类网络很容易串联起来建立多层前馈网络。
反馈型网络的结构不单层全互连结构网络相同。
在反馈型网络中的所有节点都具有信息处理功能而且每个节点既可以从外界接受输入同时又可以向外界输出
4.1人工神经网络的定义和原理。
人工神经网络是运用生物神经网络的机理,即通过大量相对简单的非线性神经元之间复杂而又灵活的联接来模仿人脑的智能化信息处理过程。
人工神经网络并没有完全地真正反映大脑的功能,它只是对生物神经网络进行某种抽象、简化和模拟。
采用大量简单的处理单元即神经元并行连接而构成一种复杂的信息处理系统,整个系统通常是高度非线性的。
并且这种系统是可以训练的,即可以随着经验的积累而改善自身的性能。
同时由于高度的并行性,它们能够进行快速判决并具有容错性。
利用神经元构造的各种人工神经网络,用来模拟生物神经网络实现各种信息的处理。
神经网络目前在图像处理技术,语音识别,字符识别,图案识别和分类,信号过程,过程控制和优化等领域得到许多应用。
其中,数字图像处理是神经网络目前较新的和最重要的应用领域。
尽管对生物神经网络的研究因为手段的限制显得非常有限,但目前已经应用这种人工神经网模型取得了很大的成功。
例如:
常见的传统神经网络有:
BP、Hopfield、Kohonen等。
还有些特殊的神经网络模型如:
细胞神经网络、协同神经网络、模糊神经网络等,还有上世纪90年代开始正在研究的PCNN脉冲耦合神经网络。
4.2BP网络
BP(BackPropagation)神经网络是一种采用误差反向传播算法的多层前馈网络。
典型的BP网络是一个三层前馈的阶层网络,即:
输入层、隐含层(也称中间层)、输出层。
相邻层之间的各神经元实现全连接,而且每层各神经元之间无连接。
它以一种有教师示教的方式进行学习。
随着“模式顺传播”和“误差逆传播”过程的交替反复进行。
网络的实际输出逐渐向各自所对应的期望输出逼近,网络对输入模式的响应的正确率也不断上升。
通过此学习过程,确定各层间的连接权值之后,就可以对图像进行相应的处理了。
由于BP网及误差逆传播算法具有中间隐含层并有相应的学习规则可寻,使得它能够逼近任意的非线性映射关系,而且有很好的泛化能力。
特别是其数学意义明确、步骤分明的学习算法,更使其具有广泛的应用前景。
BP网络所擅长的是处理那种规律隐含在一大堆数据中的映像逼近问题,特别是处理那种通过学习自适应可调的是实时性问题,像图像分割、模式识别、自适应模糊控制等。
在图像处理领域中,作为一种非自适应的神经网络技术应用非常广泛。
但BP网并不是十分的完善,它存在以下一些主要缺陷:
学习收敛速度太慢、网络的学习记忆具有不稳定性,容易陷入局部极小点。
4.3Hopfield网络
Hopfield网络是由JohnHopfield在1982年提出来的。
这是一个具有自反馈的动态网络。
每个单元只能有两种输出:
−1(表示抑制)或+1(表示兴奋)。
但每个单元具有多个输入,每个连接均被指派一个特定的强度。
在每个时刻单元把来自它的全部连接的效果总和起来。
每个输入对单元的影响是将当前的输入信号(−1或+1)与其相对应的权重相乘而得到的,如果这个总和大于0则置输出状态为+1(平均而言,当单元兴奋性输人大于抑制性输入时,则输出为正),否则就输出-1。
这意味着一个单元的输出会因为来自其它单元的输人发生变化而产生变化。
计算将被一遍遍地反复进行,直到所有单元的输出都稳定为止。
所有单元的状态并不是同时改变的,而是按随机次序一个接一个进行的。
Hopfield从理论上证明了,给定一组权重(连接强度)以及任何输入,网络将不会无限制地处于漫游状态,也不会进入振荡,而是迅速达到一个稳态。
Hopfield网络中使用所谓的“赫布规则”来调节神经元之间的连接权重,即如果两个单元具有相同的输出,则它们之间的相互连接权重都设为+1。
如果它们具有相反的输出,则两个权重均设为-1。
大致地说,每个单元激励它的"朋友"并试图削弱它的"敌人"。
Hopfield神经网络主要用于联想记忆和优化计算。
如果我们能把某个待研究解决的问题化成一个Hopfield计算能量函数,且使这个计算能量函数的最小极值正好对应于一定约束条件下的问题解答时,那么这个问题就可以利用Hopfield网络来求解了。
Hopfield网络在图像边缘检测、图像模式匹配和识别等图像处理方面应用比较多。
4.4Kohonen自组织特征映射网络(SelforganizingFeatureMap,SOFM)
除了前面介绍的BP网络等有监督的人工神经网络外,还有一种无监督的Kohonen网络,它是一种无监督自学习的、自组织的人工神经网络。
竞争型神经网络是基于人的视网膜及大脑皮层对剌激的反应而引出的。
神经生物学的研究结果表明:
生物视网膜中,有许多特定的细胞,对特定的图形(输入模式)比较敏感,并使得大脑皮层中的特定细胞产生大的兴奋,而其相邻的神经细胞的兴奋程度被抑制。
对于某一个输入模式,通过竞争在输出层中只激活一个相应的输出神经元。
许多输入模式,在输出层中将激活许多个神经元,从而形成一个反映输入数据的“特征图形”。
竞争型神经网络是一种以无教师方式进行网络训练的网络。
这种网络的学习目的是从一组数据中提取有意思的特征或某种内在的规律性(分布特征或按某种目的聚类)。
它通过自身训练,自动对输入模式进行分类。
竞争型神经网络及其学习规则与其它类型的神经网络和学习规则相比,有其自己的鲜明特点。
在网络结构上,它既不象阶层型神经网络那样各层神经元之间只有单向连接,也不象全连接型网络那样在网络结构上没有明显的层次界限。
它一般是由输入层(模拟视网膜神经元)和竞争层(模拟大脑皮层神经元,也叫输出层)构成的两层网络。
两层之间的各神经元实现双向全连接,而且网络中没有隐含层。
有时竞争层各神经元之间还存在横向连接。
竞争型神经网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会,最后仅有一个神经元成为竞争的胜者,并且只将与获胜神经元有关的各连接权值进行修正,使之朝着更有利于它竞争的方向调整。
神经网络工作时,对于某一输入模式,网络中与该模式最相近的学习输入模式相对应的竞争层神经元将有最大的输出值,即以竞争层获胜神经元来表示分类结果。
这是通过竞争得以实现的,实际上也就是网络回忆联想的过程。
除了竞争的方法外,还有通过抑制手段获取胜利的方法,即网络竞争层各神经元抑制所有其它神经元对输入模式的响应机会,从而使自己“脱颖而出”,成为获胜神经元。
除此之外还有一种称为侧抑制的方法,即每个神经元只抑制与自己邻近的神经元,而对远离自己的神经元不抑制。
这种方法常常用于图象边缘处理,解决图象边缘的缺陷问题。
Kohonen网络对输人的数据有“聚类”作用,可起到数据压缩的作用,同时又具有特征抽取的作用,同样应用于图像压缩和特征提取。
4.5脉冲耦合神经网络PCNN模型
从上世纪90年代开始,由Eckhorn等对猫的视觉皮层神经元脉冲串同步振荡现象的研究,得到了哺乳动物神经元模型[1,2],并由此发展形成了脉冲耦合神经网络PCNN模型,该模型具有对图像二维空间相似、灰度相似的像素进行分组的特点,并能减小图像局部灰度差值,弥补图像局部微小间断特点,这是其它图像分割方法无法比拟的特点,PCNN主要用于特征提取、边缘信息分析、图像分割、目标识别,其应用研究正在逐步深入。
目前基于该PCNN模型的大型图像诊断系统、军事目标识别系统、图像分割和目标分类系统等正在进行研制中。
4.6人工神经网络的特点和互连模式
人工神经网络的主要特征有
(1)并行处理性。
(2)分布式存储与容错性。
(3)信息处理与存储的合二为一性。
(4)自组织、自学习性。
(5)实时性。
(6)鲁棒性与模糊性。
人工神经网络的互联模式主要有以下几种:
(1)前向网络
(2)有反馈的前向网络(3)层内有互连结合的前向网络(4)相互结合型网络。
5、人工神经网络的模型与算法
Data用来表示已经知道的数据样本的数量,也就是训练样本的数量。
In表示对于每个样本有多少个输入变量;Out表示对于每个样本有多少个输出变量。
Neuron表示神经元的数量,TrainC来表示训练的次数。
再来我们看对神经网络描述的数据定义,来看下面这张图里面的数据类型都是double型。
d_in[Data][In]存储Data个样本,每个样本的In个输入。
d_out[Data][Out]存储Data个样本,每个样本的Out个输出。
我们用邻接表法来表示图1中的网络,w[Neuron][In] 表示某个输入对某个神经元的权重,v[Out][Neuron]来表示某个神经元对某个输出的权重;与之对应的保存它们两个修正量的数组dw[Neuron][In]和dv[Out][Neuron]。
数组o[Neuron]记录的是神经元通过激活函数对外的输出,OutputData[Out] 存储BP神经网
络的输出。
初始化主要是涉及两个方面的功能,一方面是对读取的训练样本数据进行归一化处理,归一化处理就是指的就是将数据转换成0~1之间。
在BP神经网络理论里面,并没有对这个进行要求,不过实际实践过程中,归一化处理是不可或缺的。
因为理论模型没考虑到,BP神经网络收敛的速率问题,一般来说神经元的输出对于0~1之间的数据非常敏感,归一化能够显著提高训练效率。
可以用以下公式来对其进行归一化,其中加个常数A是为了防止出现0的情况(0不能为分母)。
y=(x-MinValue+A)/(MaxValue-MinValue+A)
另一方面,就是对神经元的权重进行初始化了,数据归一到了(0~1)之间,那么权重初始化为(-1~1)之间的数据,另外对修正量赋值为0
函数backUpdate(i)负责的是将预测输出的结果与样本真实的结果进行比对,然后对神经网络中涉及到的权重进行修正,也这是BP神经网络实现
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工 神经网络 综述