图43神经元中的某些变换(激发)函教 for) f(r) f(r) 6 x a (b) C (a)三值函数(b)S形函教(c)双曲正切函数 2021/12/14
(a) x f(x) 1 0 x0 图4.3 神经元中的某些变换（激发）函数 (a) 二值函数 (b) S形函数 (c) 双曲正切函数 (c) x f(x) 1 -1 (b) f(x) x 1 0 2021/12/14 11
人工神经网络的基本特性和结构 人工神经网络是具有下列特性的有向图: 对于每个节点i存在一个状态变量X 从节点j至节点i,存在一个连接权系统数 n对于每个节点i,存在一个阈值0; 对于每个节点i,定义一个变换函数f;对 于最一般的情况,此函数取 f∫C∑W;x;-日)形式 2021/12/14
人工神经网络的基本特性和结构 ◼ 人工神经网络是具有下列特性的有向图： ◼ 对于每个节点 i 存在一个状态变量xi ； ◼ 从节点 j 至节点 i ，存在一个连接权系统数 wij； ◼ 对于每个节点 i ，存在一个阈值 i； ◼ 对于每个节点 i ，定义一个变换函数fi ；对 于最一般的情况，此函数取 ◼ ( − ) 形式。 j ij j i f i w x 2021/12/14 12
递归(反馈)网络:x1 在递归网络中,多 个神经元互连以组x2 织一个互连神经网 络,如图44。 n 输入 输出 图44反馈网络 2021/12/14
◼ 递归（反馈）网络: 在递归网络中，多 个神经元互连以组 织一个互连神经网 络，如图4.4。 图4.4 反馈网络 x1 x2 xn V1 V2 Vn 输入 输出 x1 ’ x2 ’ xn ’ 2021/12/14 13
反向传播 11 前馈网络:前馈网x 络具有递阶分层 结构,由同层神 经元间不存在互 连的层级组成, 如图45。 输入层 隐层 输出层 图45前馈网络 2021/12/14
◼ 前馈网络:前馈网 络具有递阶分层 结构，由同层神 经元间不存在互 连的层级组成， 如图4.5。 x1 x2 输入层 隐层 输出层 y1 yn w11 w1m 图4.5 前馈网络 反向传播 2021/12/14 14
人工神经网络的主要学习算法 ■有师学习算法:能够根据期望的和实际 的网络输出(对应于给定输入)间的差 来调整神经元间连接的强度或权 ■无师学习算法:不需要知道期望输出。 ■强化学习算法:采用一个“评论员”来 评价与给定输入相对应的神经网络输出 的优度(质量因数)。强化学习算法的 个例子是遗传算法(GA)。 2021/12/14
人工神经网络的主要学习算法 ◼ 有师学习算法：能够根据期望的和实际 的网络输出（对应于给定输入）间的差 来调整神经元间连接的强度或权。 ◼ 无师学习算法：不需要知道期望输出。 ◼ 强化学习算法：采用一个“评论员”来 评价与给定输入相对应的神经网络输出 的优度（质量因数）。强化学习算法的 一个例子是遗传算法（GA）。 2021/12/14 15