文档介绍：。生物神经元模型生物神经元主要由细胞体、树突和轴突组成,树突和轴突负责传入和传出信息,兴奋性的冲动沿树突抵达细胞体,在细胞膜上累积形成兴奋性电位;相反,抑制性冲动到达细胞膜则形成抑制性电位。两种电位进行累加,若代数和超过某个阈值,神经元将产生冲动。,可以建立一个典型的人工神经元数学模型[x1,…,xn]T为输入向量,y为输出,f(·)为激发函数,θ为阈值。Wi为神经元与其它神经元的连接强度,也称权值。:1))饱和型函数3))S型函数5),通过广泛地互相连接而形成的复杂网络系统。定义特点(1)非线性映射逼近能力。可以逼近任意的连续非线性函数映射关系。(2)自适应性和自组织性。神经元之间的连接具有多样性,各神经元之间的连接强度具有可塑性,网络可以通过学****与训练进行自组织。(3)并行处理性。网络的各单元可以同时进行类似的处理过程,整个网络的信息处理方式是大规模并行的,可以大大加快对信息处理的速度。(4)分布存储和容错性。网络的每部分对信息的存储具有等势作用,部分的信息丢失仍可以信息得到恢复,因而网络具有容错性和联想记忆功能。(5)便于集成实现和计算模拟。(Perceptron),它是一个具有单层计算单元的神经网络,并由线性阈值元件组成。激发函数为阈值型函数,当其输入的加权和大于或等于阈值时,输出为1,否则为0或-1。它的权系W可变,这样它就可以学****给定初始值:赋给Wi(0)各一个较小的随机非零值,这里Wi(t)为t时刻第i个输入的权(1≤i≤n),Wn+1(t)为t时刻的阈值;②输入一样本X=(xi,…,xn,1)和它的希望输出d;③计算实际输出④修正权W:Wi(t+1)=Wi(t)+η[d-Y(t)]xi,i=1,2,…,n+1⑤转到②直到W对一切样本均稳定不变为止。,均方差随训练次数的收敛情况