文档介绍：ding-神经网络
生物神经元的结构与功能特性
1. 生物神经元的结构
神经细胞是构成神经系统的基本单元，称之为生物神经元，简称神经元。神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树突。神经元之间通过突触传递信望网络正确输出的模式，称为“教师信号”。将神经网络的实际输出
同期望输出进行比较，当网络的输出与期望的教师信号不符时，根
据差错的方向和大小按一定的规则调整权值，以便下一次网络的输
出更接近期望结果。
对于有导师学****网络在执行仿真工作任务之前必须先经过学****br/>当网络对于各种结定的输入均能产生所期望的输出时，即认为网络
已经在导师的训练下“学会”了训练数据集中包含的知识和规则，可
以用来进行仿真工作了。
无导师学****也称为无监督学****br/>在学****过程中，需要不断地给网络提供动态输入信息。网络能根据
特有的内部结构和学****规则，在输入信息流中发现任何可能存在的
模式和规律，同时能根据网络的功能和输入信息调整权值，这个过
程称为网络的自组织，其结果是使网络能对属于同一类的模式进行
自动分类。
在这种学****模式中，网络的权值调整不取决于外来教师信号的影响，
可以认为网络的学****评价标准隐含于网络的内部。
在有导师学****中，提供给神经网络学****的外部指导信息超多，神经
网络学会并掌握的知识越多，解决问题的能力也就超强。
但是，有时神经网络所解决的问题的先验信息很少，甚至没有，这
种情况下无导师学****就显得更有实际意义
死记式学****是指网络事先设计成能记忆特定的例子，以后当给定
有关该例子的输入信息时，例子便被回忆起来。死记式学****中网
络的权值一旦设计好了就不再变动，因此其学****是一次性的，而
不是一个训练过程
常用学****规则一览表
网络的运行一般分为训练和仿真两个阶段。
训练的目的是为了从训练数据中提取隐含的知识和规律，并存储
于网络中供仿真工作阶段使用
神经网络的仿真过程实质上是神经网络根据网络输入数据，
通过数值计算得出相应网络输出的过程
通过仿真，我们可以及时了解当前神经网络的性能．从而决定
是否对网络进行进一步的训练
：
感知器、
线性神经网络、
BP网络、
径向基函数网络、
竞争学****网络
反馈神经网络等
感知器模型是美国学者罗森勃拉特（Rosenblatt）为研究大脑的存储、学****和认知过程而提出的一类具有自学****能力的神经网络模型，它把神经网络的研究从纯理论探讨引向了从工程上的实现。
Rosenblatt提出的感知器模型是一个只有单层计算单元的前向神经网络，称为单层感知器。
感知器特别适合于简单的模式分类问题，也可用于基于模式分类的学****控制和多模态控制中
感知器神经网络
采用阈值函数作为神经元的传递函数是感知器神经元的典型特征
感知器神经网络的学****规则
函数1earnp是在感知器神经网络学****过程中计算网络权值和阈值
修正量最基本的规则函数
p为输入矢量，学****误差e为目标矢
量t和网络实际输出矢量a之间的差值
感知器神经网络的训练
感知器的训练主要是反复对感知器神经网络进行仿真和学****br/>最终得到最优的网络阀值和权值
1） 确定我们所解决的问题的输入向量P、目标向量t，并确定
各向量的维数，以及网络结构大小、神经元数目。
2）初始化：权值向量w和阀值向量b分别赋予[－1,+1]之间的
随机值，并且给出训练的最大次数。
3）根据输入向量P、最新权值向量w和阀值向量b，计算网络
输出向量a。
4）检查感知器输出向量与目标向量是否一致，或者是否达到
了最大的训练次数，如果是则结束训练，否则转入（5）。
5）根据感知器学****规则调查权向量，并返回3）。
感知器神经网络应用举例
. w. Wirth(1981)
根据它们触角长度和翼长中以区分。
见下表中9Af蠓和6只Apf蠓的数据。
根据给出的触角长度和翼长可识别出一只标本是Af还是Apf。
1．给定一只Af或者Apf族的蒙，你如何正确地区分它属于哪一族？
2．将你的方法用于触角长和翼中分别为（,）、
（,）、(,)的三个标本
Af
触重长
翼 长
Apf
触角长