神經網絡(neural networks)
【內容包含 第五章】
神經元模型
通過n個其他神經元傳過來的信號,加上權重,當前神經元的閾值進行比較,通過激活函數(activation function)處理,再輸出。
激活函數一般使用Sigmoid函數,和階躍函數相比,它連續、光滑。
感知器與多層網絡
感知器(Perceptron)由兩層神經元組成,輸出層爲M-P神經元,也稱 閾值邏輯單元(threshold logic unit)
輸出層爲
權重,均可訓練,具體操作爲
其中是學習率(learning rate)
已被證明,如果兩類模型是線性可分的,那麼感知器的學習一定會收斂。
如果需要解決非線性可分問題,需要採用多層功能神經元,輸入層與輸出層之間存在隱含層(hidden layer),隱含層和輸出層神經元都是擁有激活函數的功能神經元。
多層前饋神經網絡(multi-layer feedforward neural networks):每層神經元與下一層神經元全互連,不存在同層連接也不存在跨層連接的神經網絡