1、第8章自组织神经网络算法与人工神经网络算法8.1 自组织神经网络算法8.2 人工神经网络算法8.1 自组织神经网络算法8.1.1 什么是自组织神经网络自组织神经网络是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。多层感知器的学习和分类是以已知一定的先验知识为条件的，即网络权值的调整是在监督情况下进行的。而在实际应用中，有时并不能提供所需的先验知识，这就需要网络具有能够自学习的能力。Kohonen提出的自组织特征映射图就是这种具有自学习功能的神经网络，这种网络是基于生理学和脑科学研究成果提出的。第8章自组织神经网络算法与人工神经网络算法 8.1 自组织神经网络算法8
2、.1.2 自组织映射算法运行原理自组织映射(Self-Organizing Maps，SOM)算法是一种无导师学习方法，具有良好的自组织、可视化等特性，已经得到了广泛的应用和研究。第8章自组织神经网络算法与人工神经网络算法 SOM网络的典型拓扑结构神经元交互模式8.1 自组织神经网络算法8.1.3 进行SOM网络拓扑的实战方法第8章自组织神经网络算法与人工神经网络算法 8.2 人工神经网络算法8.2.1 神经元与人工神经网络神经元，即神经细胞，是神经系统最基本的结构和功能单位。分为细胞体和突起两部分。人工神经网络(Artificial Neural Networks，ANN)系统是20世纪40
3、年代后出现的，它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。1.工作原理神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。神经细胞的形态比较特殊，具有许多突起，又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起；而轴突是作为输出端的突起，它只有一个。人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。人工神经网络首先要以一定的学习准则进行学习，然后才能工作。第8章自组织神经网络算法与人工神经网络算法 2.特点(1)人类大脑有很强的自
4、适应与自组织特性，后天的学习与训练可以开发各具特色的活动功能。(2)泛化能力。泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。(3)非线性映射能力。当系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析、偏微分方程等数学工具建立精确的数学模型。(4)高度并行性。并行性具有一定的争议性。3.人工神经网络与通用的计算机工作特点的对比(1)若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫兹。(2)人脑存储信息的特点为利用突触效能的变化来调整存储内容，也即信息存储在神经元之间连接强度的分布上，存储区与计算机区合为一体。(3)
5、普通计算机具有相互独立的存储器和运算器，知识存储与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。第8章自组织神经网络算法与人工神经网络算法 8.2 人工神经网络算法8.2.2 BP算法的网络结构与反向传播BP算法是适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。传统的BP算法，实质上是把一组样本输入/输出问题转化为一个非线性优化问题，并通过负梯度下降算法，利用迭代运算求解权值问题的一种学习方法。但其收敛速度慢且容易陷入局部极小，为此提出了一种新的算法，即高斯消元法。第8章自组织神经网络算法与人工神经网络算法 感谢观看
