人工神经网络的学习

风靡全球

人工神经网络的学习

人工神经网络是用处理单元间互联权矩阵存储长期信息。为使网络执行某种处理任务应该对描述网络的8种特性予以确定,除权矩阵以外的参数都是一次性设定的,而权矩阵的确定主要有两种方法:

1.根据待执行的处理直接计算权矩阵。

2.当事先无法确定互联值的适当值,或人工地设置互联权太繁琐时,就可采用网络的“学习”方法。“学习”又分有导师学习与无导师学习两大类。

(l)有导师学习

亦称监督学习,它需组织一批正确的输入输出数据对。将输入数据加载到网络输入端后,把网络的实际响应输出与正确的(期望的)输出相比较得到误差,然后根据误差的情况修改各连接权,使网络朝着正确响应的方向不断变化下去,直到实际响应的输出与期望的输出之差在允许范围之内。这种学习算法通称误差修正算法。BP算法是这类算法的代表。

(2)无导师学习

亦称无监督学习,

①迭代自组织学习

网络初始状态下,使网络不段受到刺激,这时仅有一批输入数据。互联权均设置为一小正数,通过反复加载这批输入数据,当与曾经历的刺激相同的刺激到来时,相应互连权以某一系数增大,重复加入的同种刺激使相应的互连权增大到接近1的某值。这一自组织的方法,使网络具有某种“记忆”能力以至形成“条件反射”,当曾经学习过的或相似的刺激加入后,输出端便按权矩阵产生相应的输出。

②竞争与抑制学习

这也是一种无导师学习方法。该模型将处理单元划分成几个竞争池,在不同池之间有激励连接(一般是双向的),而同一池的不同单元间有抑制连接(对该池中所有其它单元),从而若外界对不同池的一个或几个单元施加刺激后,将激活不同池中互联最强的一组单元,得到对该刺激的一个整体回忆。