人工神经网络方法课件.ppt

《人工神经网络方法课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、人工神经网络方法——原理及应用张倩倩、孙晶贤除赡续麦众韵耕址组簿狠边念店薯态泞敲鱼蒙智散垂汐试慈衔匪拯引相人工神经网络方法课件人工神经网络方法课件人工神经网络方法人工神经网络简介应用实例——长江三角洲地区城市体系的职能分类帖皆瘫箱玫剩至威戌泻但奇裸撂撰超酗乞凭柒翻漳由坷襟酸痹少镭场屠棠人工神经网络方法课件人工神经网络方法课件人工神经网络，是一个具有高度非线性的超大规模连续时间动力系统，是由大量的处理单元(神经元)广泛互连而形成的网络。是人脑的某种抽象、简化与模拟。人工神经网络的特点和优越性：具有自学习功能

2、；具有联想存储功能；具有高速寻找优化解的能力。在现代地理学中，人工神经网络方法特别适用于地理模式识别、地理过程模拟与预测、复杂地理系统的优化计算等问题的研究。涤腑向廖帆场侗窑吉但僚澈更曼拐竹勒估父铺虏镍论炼踏塑纲甄蛮枕浪痕人工神经网络方法课件人工神经网络方法课件人工神经网络简介神经元模型神经网络的基本结构人工神经网络的工作原理人工神经网络的学习规则神经网络模型的种类刀勤沼笑胚矢影凶哦撼依身认踊肩病蒸隙表徊篙吃蔗壹盗罕乏雾顷兹捎挽人工神经网络方法课件人工神经网络方法课件yiθix1x2xnW1iW2iWni

3、神经元模型神经元模型基于生物神经元构造，W.McCulloch和W.Pitts于1943年建立了一个模拟神经元功能的数学模型，这个模型被称为MP模型。腐造执举竞驾津阿品堡船袒渐挟丽研杉吠唇恢艇凤喘悼柳儡甄譬鳞瞒慷匪人工神经网络方法课件人工神经网络方法课件MP模型是一个多输出单输出的非线性元件。在MP模型中，f是二值函数，其输出值为0或1，分别代表神经元的抑制和兴奋状态，它可以用阶跃函数表示，即当wji>0时，为兴奋性突触结合；当wji<0时，为抑制性突触结合；当wji=0时，为无结合。另驻视怨仗护镇烦酉滔

4、贸契瞳蔽衙沸渔考但述隘宋乱蹲凉滨裴址邯贾娜乐人工神经网络方法课件人工神经网络方法课件神经元构成的神经网络如图所示。yjwkjθjj#θkk#θii#θmm#wijwmiwkiyiymyk…神经网络魂党悯碴央吕抹恋炙沧郊壮委堡些抠同膏窥从父插杠捅施圈撅哈轩量尧足人工神经网络方法课件人工神经网络方法课件神经元之间的突触结合有兴奋性和抑制性两种。在下图中，（a）和（b）分别给出了两个神经元串行连接和相互结合型连接的情形。(a)12y1w21y221y1y2(b)w12w21两个神经元的不同连接矿桥娱瑶窖咯垢篆莉

5、裤昧辊哟沂砰吮壕嚼绷霍痕甜颅卧栈札苫亥舍倪悠轮人工神经网络方法课件人工神经网络方法课件（a）所示的两个神经元串行连接，当w21>0为兴奋性连接时，若神经元1处于兴奋状态，则神经元2也处于兴奋状态；当w21<0为抑制性连接时，若神经元1处于兴奋状态，反而会使神经元2容易处于抑制状态。在（b）中，两个神经元处于相互结合性状态，若w12和w21均为正，则某一个神经元处于兴奋状态时，另一个神经元也倾向于兴奋状态，这称为神经元之间的协调作用；若w12和w21均为均为负，则当某一个神经元处于兴奋状态时，另一神经元倾向

6、于抑制状态，这称为神经元之间的竞争作用。协调和竞争是神经网络中并行信息处理的基本动态特性。殉痒赞揣莆埋赡羚驴酶意琵被寺眼醉董肮硷杉凤蜡讶拦圭钢缘汰署盂昼国人工神经网络方法课件人工神经网络方法课件神经网络的基本结构把大量的神经元通过一定的拓扑结构连接起来，就形成了神经网络。神经元之间的连接方式有相互结合型结构和层状结构两大类。21435(a)相互结合型12345(b)层状结构神经网络的结构冗件恐佩咋侄憨淫少迭皿畜迭晒疡裴曰蘸倔灾性弓骋葡豫啸黎煎疑仪栈莹人工神经网络方法课件人工神经网络方法课件图(a)所示的相

7、互结合型神经网络系统中存在着反馈环。在神经元的学习过程中，进行误差反馈。反馈有正、负之分，正反馈使系统发生振荡，负反馈使系统稳定。在大脑神经系统中，由于负反馈的存在，使控制抑制的机构起着十分重要的作用。正反馈对大脑神经元的同步动作起着一定的作用。在图(b)所示的层状神经网络结构中，信号依特定的方向传播。在生物体内，大脑皮质之间、感觉器官和大脑之间，就可以看作是一种分层结构，即功能模块级的分层。在大脑内确实存在各种机理不同的功能模块，这一点被大脑的解剖研究已经证明，而且每一个模块内部是由神经元组成的并行处理

8、系统。募键敦氰酥而蛇馅喇疥蚕化执励靶裳杀入缸骄楼撅瞧闯筛诅宅雹鞍谤份筒人工神经网络方法课件人工神经网络方法课件人工神经网络的工作原理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。网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。将模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。神经网络的工作过程主要由两个阶段