人工神经网络学习.pptx

人工神经网络学****br/>人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,
由大量的神经元之间相互联接构成,每两个神经元间的连接都代表一个对于通过该连接信号的加权值
反向传播算法,使用梯度下降来调节网络参数以最佳拟合由输入-输出对组成的训练集合
先用样本数据训练神经网络时,它自动地将输出值与期望值进行比较,得到误差信号,再根据误差信号,从后向前调节各神经网络层神经元之间的连接强度,然后再进行运算,使误差减小,再将新的输出值与期望值进行比较,得到新的比先前小的误差信号,再根据较小的误差信号,从后向前重新调节各神经网络层神经元之间的连接强度,依此不断地多次进行,直到误差满足要求为止
感知器
感知器以一个实数值向量作为输入,计算这些输入的线性组合,如果结果大于某个阈值,就输出1,否则输出-1。
其中每个wi是一个实数常量,或叫做权值,用来决定输入xi对感知器输出的贡献率。特别地,-w0是阈值。
f(v)
x1
x2
xn
X0=1
w0
w1
w2
wn
附加一个常量输入x0=1,前面的不等式写成
或
感知器训练法则
虽然我们的目的是学****由多个单元互连的网络,但我们还是要从如何学****单个感知器的权值开始
单个感知器的学****任务,决定一个权向量,它可以使感知器对于给定的训练样例输出正确的1或-1
我们主要考虑两种算法
感知器法则
delta法则
这两种算法保证收敛到可接受的假设,在不同的条件下收敛到的假设略有不同
这两种算法提供了学****多个单元构成的网络的基础
感知器法则
为得到可接受的权向量,一种办法是从随机的权值开始,然后反复地应用这个感知器到每个训练样例,只要它误分类样例就修改感知器的权值。
感知器法则:
其中,
t是当前训练样例的目标输出,o是感知器的输出,η是一个正的常数称为学****速率()
delta法则
delta法则克服感应器法则的不足,在线性不可分的训练样本上,收敛到目标概念的最佳近似
delta法则的关键思想是,使用梯度下降来搜索可能的权向量的假设空间,以找到最佳拟合训练样例的权向量
把delta训练法则理解为训练一个无阈值的感知器(一个线性单元)
指定一个度量标准来衡量假设相对于训练样例的训练误差
其中,D是训练样例集合, 是训练样例d
的目标输出, 是线性单元对训练样例d的输出
经贝叶斯论证,对于给定的训练数据使E最小化的假设也就是H中最可能的假设
梯度下降搜索从一个任意的初始权向量开始,然后沿误差曲面最陡峭下降的方向,以很小的步伐反复修改这个向量,直到得到全局的最小误差点