目录

人工神经网络

人工神经元

 拓扑结构

 网络训练 

---

人工神经网络

- 人工神经网络是一个并行、分布式处理结构，由处理 单元及其称为联接的无向通道互连而成。

- 这些处理单元具有局部内存，可以完成局部操作，该 操作由输入至该单元的信号值和存储在该单元中的信 号值来确定。

- 每个处理单元有一个单一的输出联接，输出信号可以 是任何需要的数学模型。

是一种模仿生物神经网络的结构和功能的数学模型或计算模型。

Rumelhart等提出多层网络的学习算法—BP算法(1986)

加拿大多伦多大学教授，机器学习领域的泰斗 Geoffery Hinton 及其学生 Ruslan Salakhutdinov 在《科学》上发 表了一篇论文开启了深度学习在学术界和工业界的新浪潮！

深度学习：可整合大量能够基于相同方式训练 的模块和组件，并构建拥有学习能力的机器。

传统机器学习与深度学习主要区别：特征提取。 

人工神经元

–对每个输入信号进行加权处理（确定其强度）；

–确定所有输入信号的组合效果（求和）；

–确定其输出（转移特性，即激励特性）；

 

 拓扑结构

 单层网络

将偏移（阈值）当成权值。

多层网络 

虽然目前有很多网络模型，但它们的结点基本上都是 按层排列的。这一点模仿了大脑皮层中的网络模块。

–多层网络是由单层网络进行级联构成的，即上一层的 输出作为下一层的输入。

接收输入信号的层称为输入层。

–产生输出信号的层称为输出层。

–中间层称为隐含层，不直接与外部环境打交道。

 网络训练 

 

 

–无监督的训练不要求有目标向量，网络通过自身的“经历”来学会某种功能。

–其目的是训练一个网络，使其产生的输出具有某种可 理解的规律性。

–从本质上讲，该训练过程是抽取样本所隐含的统计特征。