泛朦第三系—神經(jīng)系(neural network)

1、泛朦第三系—神經(jīng)系(Neural Network),報告人: 張士行教授Prof. Dr. Albert Chang光電博士. 企管碩士. 電子碩士. 機械碩士PICO 7 Tools FounderEditor of CJME (cited in EI)Graduate School of Business & Management,VITCEO of PID Lab.Cellular Phone: 886-9

2、39924099Email: prof.chang@msa.hinet.net,類神經(jīng)網(wǎng)路導論,類神經(jīng)網(wǎng)路（artificial neural network）或譯為人工神經(jīng)網(wǎng)路： 模仿生物神經(jīng)網(wǎng)路的資訊處理系統(tǒng)。,精確定義,一種計算系統(tǒng)：硬體、軟體。大量簡單的相連人工神經(jīng)元：模仿生物神經(jīng)網(wǎng)路的能力。取得資訊：外界環(huán)境、人工神經(jīng)元。輸出結果：外界環(huán)境其他人工神經(jīng)元。,背景（1）,1957年（電腦發(fā)展的初期）：第一種類神經(jīng)網(wǎng)路

3、模式— 感知機（ Perceptron ）提出。1960年代中期沒落。,沒落因素,1.本身理論無法突破（ EX：XOR問題）。2.數(shù)位電腦、人工智慧的吸引。3.當時相關技術無法實現(xiàn)「神經(jīng)電腦」。,背景（2）,80年代中期：類神經(jīng)網(wǎng)路的研究復興，而在短短數(shù)年之內蔚為風潮。原因：如下4點。,復興原因（1）,類神經(jīng)網(wǎng)路在理論的建立與模式的開發(fā)上有了突破，最明顯的突破包括： 霍普菲爾網(wǎng)路（ Hopfield neural

4、 network， HNN） 倒傳遞網(wǎng)路（Back-propagation network）。,復興原因（2）,解決電腦科學與人工智慧的難題，（EX：樣本識別、機器學習）。電子、光學等技術進展：提供實現(xiàn)「神經(jīng)電腦」可能性（EX：基於VLSI的神經(jīng)電腦與光神經(jīng)電腦的誕生）。,復興原因（3）,從現(xiàn)代生物學、認知學、心裡學對生物神經(jīng)網(wǎng)路的瞭解，提供了發(fā)展新的類神經(jīng)網(wǎng)路模式的啟示。,生物神經(jīng)元模型,生物神經(jīng)網(wǎng)路： 由巨量的神

5、經(jīng)細胞，或稱神經(jīng)元所組成，神經(jīng)細胞的形狀和一般的細胞有很大的不同。,神經(jīng)細胞,神經(jīng)核：神經(jīng)細胞呈核狀的處理機構。軸索（神經(jīng)軸）：神經(jīng)細胞成軸索狀的輸送機構。樹突（神經(jīng)樹）：神經(jīng)細胞成樹枝狀的輸出入機構。突觸（神經(jīng)節(jié)）：神經(jīng)細胞神經(jīng)樹上乘點狀的連結機構。,人工神經(jīng)元模型（1）,類神經(jīng)網(wǎng)路：由許多的人工神經(jīng)細胞（artificial neuron）所組成。又稱類神經(jīng)元、人工神經(jīng)元、處理單元（ processing element）。

6、每一個處理單元的輸出以扇形送出，成為其它許多處理單元的輸入。,人工神經(jīng)元模型（2）,其中Yj = 模仿生物神經(jīng)元模型的輸出訊號。,處理單元輸出值與輸入值的關係式：一般用輸入值的加權乘積和之函數(shù)來表示,人工神經(jīng)元模型（3）,f ＝模仿生物神經(jīng)元模型的轉移函數(shù)（transfer function）。Wij ＝模仿生物神經(jīng)元模型的神經(jīng)鏈結強度，又稱鏈結加權值。,人工神經(jīng)元模型（4）,Xi ＝模仿生物神經(jīng)元模型的輸入訊號（input

7、signal）。θ＝模仿生物神經(jīng)元模型的閥值（threshold value）。,人工神經(jīng)元模型（5）,鏈結（connection） ：介於處理單元間的訊號傳遞路徑。每一個鏈結上有一個數(shù)值的加權值Wij，用以表示第i處理單元對第j處理單元之影響程度。,人工神經(jīng)元模型（6）,一個類神經(jīng)網(wǎng)路:由許多個人工神經(jīng)元所組成，並且可以組成不同的 網(wǎng)路模式（network model） 或 網(wǎng)路典範（netwo

8、rkparadigm）。,類神經(jīng)網(wǎng)路模型(1),倒傳遞網(wǎng)路（back- propagation network，BPN ）:應用最普遍。BPN:包含許多層(含若干個處單元),類神經(jīng)網(wǎng)路模型(2),輸入層單元:輸入訊息。輸出層單元：輸出訊息。隱藏層單元：提供類神經(jīng)網(wǎng)路表現(xiàn)處理單元間的交互作用與問題的內在結構的能力。,網(wǎng)路分類（1）,目前著名類神經(jīng)網(wǎng)路不下數(shù)十種，主要分為四類1.監(jiān)督式學習網(wǎng)路：從問題領域中取得訓練範例（有輸入

9、變數(shù)值，也有輸出變數(shù)），並從中學習輸入變數(shù)與輸出變數(shù)內在對映規(guī)則，以應用於新的案例（只有輸入變數(shù)值，而需推論輸出變數(shù)值的應用）如BP。,網(wǎng)路分類（2）,2.無監(jiān)督式學習網(wǎng)路：從問題領域中取得訓練範例（只有輸入變數(shù)值），並從中學習範例的內在聚類規(guī)則，以應用於新的案例。3.聯(lián)想式學習網(wǎng)路：從問題領域中取得訓練範例（狀態(tài)變數(shù)值），並從中學習範例的內在記憶規(guī)則，以應用於新的案例，如霍普菲爾網(wǎng)路。,,網(wǎng)路分類（2）,4.最適化應用網(wǎng)路：對一問題

10、決定其設計變數(shù)值，使其在滿足設計變數(shù)下，使設計目標達最佳狀態(tài)的應用，如退火神經(jīng)網(wǎng)路。,類神經(jīng)網(wǎng)路運作（1）,類神經(jīng)網(wǎng)路的運作過程分成兩個階段：學習過程：從範例學習，以調整網(wǎng)路連節(jié)加權值的過程 。回想過程：網(wǎng)路依回想演算法，以輸入資料決定網(wǎng)路輸出資料的過程。,類神經(jīng)網(wǎng)路運作（2）,1.訓練範例：藉此調整網(wǎng)路連結加權值。訓練範例型式依所使用的網(wǎng)路模式之不同而異。2.測試範例：用以評估網(wǎng)路學習成果所使用的範例。（1.2）差異：前者只

11、用回想演算法得到推論輸出值，並與目標輸出值比較，以評估網(wǎng)路學習精度。,類神經(jīng)網(wǎng)路運作（3）,3. 待推案例：網(wǎng)路學習過程完後，可用網(wǎng)路推論待推案例的結果。（2.3）差異：前者沒有目標輸出變數(shù)向量,優(yōu)點,高速計算能力高容記憶能力學習能力容錯能力,應用,監(jiān)督式學習應用：分類、預測。非監(jiān)督式學習應用：聚類。聯(lián)想式學習應用：雜訊過濾、資料擷取。最佳化問題應用：設計、排程。,基本架構（1）,處理單元：類神經(jīng)網(wǎng)路基本單位作用可用三

12、個函數(shù)來說明： 1）集成函數(shù) 2）作用函數(shù) 3）轉換函數(shù),基本架構（2）,層：若干個具相同作用的處理單元集合成。層的三種作用： 1）正規(guī)化輸出 2）競爭化輸出 3）競爭化學習,基本架構（3）,網(wǎng)路：若干個具不同作用的層集合成網(wǎng)路網(wǎng)路兩種作用： 1）學習過程 2）回想過程,,C：實數(shù)型常數(shù)。單調 ( monotonic ) 遞增 、平滑且可微分的函數(shù)。採用：倒傳遞類神

13、經(jīng)網(wǎng)路 、連續(xù)型霍普菲爾網(wǎng)路，都是此種活化函數(shù)。,倒傳遞網(wǎng)路,倒傳遞類神網(wǎng)路模式是目前類神網(wǎng)路學習模式中最具代表性，應用最普遍的模式。倒傳遞類神經(jīng)網(wǎng)路屬於監(jiān)督式學習網(wǎng)路，因而適合診斷、預測等應用。,,,,,,,,,??????,?????,????,,,,,,輸出向量,輸入向量,輸出層：表示輸 出變數(shù) 隱藏層：表示輸 入處理 單元間 的交互 影響輸

14、出層：表示輸 入變數(shù),範例,文章： Integration of Gray Prediction and Fuzzy Model for Improving Back-propagation Learning Algorithm R.J.Kuo , C.Y.Chiu , and C.C.Hsieh Fuzzy 2000,題目簡述,基本觀念：利用灰預測和模糊理

15、論來改善BP的訓練速度。模擬：XOR範例設定：初始學習率：0.3，學習次數(shù)1000次。由MSE（mean square error）來判定收斂效。,解法（灰色）,建立GM（1,1）模型的灰微分方程式目的：預測error（PE） and change of error(PCE) 。用PE和PCE根據(jù)FUZZY規(guī)則，調整訓練參數(shù) 。,解法（類神經(jīng)）,各層間初始權重：亂數(shù)。開始時訓練誤差大：給大學習率使系統(tǒng)收斂快。當訓練接近最佳化