一.一些基本常识和原理
[什么叫神经网络?]
人的思维有逻辑性和直观性两种不同的基本方式.逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念,并用符号表示,然后,根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令,让计算机执行.然而,直观性的思维是将分布式存储的信息综合起来,结果是忽然间产生想法或解决问题的办法.这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的.
人工神经网络就是模拟人思维的第二种方式.这是一个非线性动力学系统,其特色在于信息的分布式存储和并行协同处理.虽然单个神经元的结构极其简单,功能有限,但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的.
[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.现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明,规定当“A”输入网络时,应该输出“1”,而当输入为“B”时,输出为“0”.
所以网络学习的准则应该是：如果网络作出错误的的判决,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.首先,给网络的各连接权值赋予(0,1)区间内的随机值,将“A”所对应的图象模式输入给网络,网络将输入模式加权求和、与门限比较、再进行非线性运算,得到网络的输出.在此情况下,网络输出为“1”和“0”的概率各为50%,也就是说是完全随机的.这时如果输出为“1”(结果正确),则使连接权值增大,以便使网络再次遇到“A”模式输入时,仍然能作出正确的判断.
如果输出为“0”(即结果错误),则把网络连接权值朝着减小综合输入加权值的方向调整,其目的在于使网络下次再遇到“A”模式输入时,减小犯同样错误的可能性.如此操作调整,当给网络轮番输入若干个手写字母“A”、“B”后,经过网络按以上学习方法进行若干次学习后,网络判断的正确率将大大提高.这说明网络对这两个模式的学习已经获得了成功,它已将这两个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.一般说来,网络中所含的神经元个数越多,则它能记忆、识别的模式也就越多.
一份很有参考价值的讲座
是Powerpoint文件,比较大,如果网速不够最好用鼠标右键下载另存.
