神经网络分类器 (2)［PPT课件］.ppt

第五章神经网络分类器
感知器算法
神经网络分类器
感知器算法
一、引言
模式识别与人工智能是研究如何利用计算机实现人脑的一些功能。
人工神经网络研究的发展:
1943年,提出形式神经元的数学模型,人工神经网络研究的开端。
1949年,提出神经元的学****准则,为神经网络的学****算法奠定了基础。
50年代,研究类似于神经网络的分布系统。
50年代末提出感知模型,把神经网络的实现付诸工程实践。
1982年,提出神经网络的数学模型,引入了能力的概念,研究了网络的动力学特性;设计出用电子线路实现网络的方案,大大促进了神经网络的研究。
1986年,提出多层感知器的反向传播算法。
现在神经网络的应用已渗透到智能控制、信号处理、优化计算、生物医学工程等领域。
二、人工神经元
1、生物神经元
典型的神经元,即神经细胞结构:胞体、树突、轴突、突触
胞体:神经细胞的本体,完成普通细胞的生存功能。
树突:有大量的分枝,接受来自其他神经元的信号。
轴突:用以输出信号。
突触:神经元相联系的部位,对树突的突触为兴奋性的,使下一个神经元兴奋;对胞体的突触为抑制性的,阻止下一个神经元兴奋。
神经元的基本工作机制:
神经元的两种工作状态:兴奋和抑制。
动态极化原则:在每一个神经元中,信息以预知的确定方向流动,即从神经元的接收信息部分传到轴突的电脉冲起始部分,再传到轴突终端的突触,以与其它神经元通信。
连接的专一性原则:神经元之间无细胞质的连续,神经元不构成随机网络,每一个神经元与另一些神经元构成精确的联接。
信号的传递过程:
接受兴奋电位;
信号的汇集和传导;
信号的输出。
f 为阈值函数:
3、感知器模型
则:y=sgn (WTX) 即: y =f (WTX)
这种神经元没有内部状态的转变,而且函数为阈值型。因此,它实质上是一种线性阈值计算单元。
感知器是一个具有单层计算单元的人工神经网络。感知器训练算法就是由这种神经网络演变来的。
设阈值:θ=-ω0
W=(ω1,ω2, …,ωn,ω0)T
X=(x1, x2, …, xn, 1)T
感知器算法能够通过对训练模式样本集的“学****得出判别函数的系数解。
算法描述
用样本训练时,若x∈ωi,g(x)>0,则w不变。
若g(x)<0,则修改w,直到所有样本都满足条件为止。
通过上面的定义,感知器问题变成wi/wj两类问题。因此,感知器的自组织、自学****思想可以用于确定性分类器的训练——感知器训练方法。
4、感知器训练算法