当前位置：文档之家 › 2人工神经网络导论第2章.ppt

2人工神经网络导论第2章.ppt

  • 格式：ppt
  • 大小：1.81 MB
  • 文档页数：6

下载文档原格式

  / 6

合集下载

人工神经网络1(第1,2章)

人工神经网络1(第1,2章)
逼近 调整目的 :使yi d i
13
b、Hebb规则（无监督学习规则）
• 神经心理学家D.O.Hebb于1949年提出生物神经元学习的假设：“当 某一突触（连接）两端的神经元的激活同步时（同时兴奋或同时抑 制时），他们间的连接强度应增加，反之则减弱。” 0 S M 1 • 假设：具有代表性的、反映环境的一组样本M个： X X X • 每个样本由N个元素构成——X s x s x s x s 反映该样本的 0 1 N 1 s s xi xj 0 X 色的分布 特征 形状的分布 的· 质感的分布 0 1 i j N 1 s s xi s xj 等。 X
w x 可以由一个（n－1）维超平面S：
j 0 j
j
0
分开两类样本。
y

ω0 ω
1
ω j ω N-
x0 x1
…
…
1
使得训练后的权值满足： X R1 N 1 时： I w j x j 0
j 0
x j xN 1
X R2
I w j x j 0
一个静态的神经元模型
4
3、常用的功能函数
• （1）线性函数
f(u) 1
0、5
(3) s函数（又称sigmoid函数）
fs(u)
0
u 0
f (u ) u
f s (u )
1 1 e u
u
• (2)硬限幅函数（包括符号函数）
fh(u)
f (u ) sgn(u )
+1
0 -1 u
1
0 u




X M 1
xi
s
xj

第2章 单层前向网络及LMS学习算法

第2章 单层前向网络及LMS学习算法
x1 x2
xj
wi1 wi 2 wij
ui
bi
i
vi
f ()
yi
wiN
xN
单层感知器模型
感知器模型与MP模型的不同之处是假定神经元 的突触权值是可变的，这样就可以进行学习。
1，若 ( wij x j b) 0 y Sgn ( wij x j b) j1 j1 y m 1，若 ( w x b) 0 ij j j1
判决边界
类 l1
类 l1
类l2
类l2
x1 0
x2 0
x1 x2 Y=w1· x1＋w2· x2－b=0 0 Y=w1· 0＋w2· 0－b<0
条件 b>0
“与”
0
1 1
1
0 1
0
0 1
Y=w1· 0＋w2· 1－b<0
Y=w1· 1＋w2· 0－b<0 Y=w1· 1＋w2· 1 － b ≥0
b>w2 b>w1


单层感知器对权值向量的学习算法是基于迭代的思 想，通常是采用纠错学习规则的学习算法。 为方便起见，将偏差b作为神经元突触权值向量的第 一个分量加到权值向量中去，那么对应的输入向量 也应增加一项，可设输入向量的第一个分量固定为 +1，这样输入向量和权值向量可分别写成如下的形 式： T
X (n) 1, x1(n), x 2(n),, x m (n)
I X (n) X T (n) W (n) X (n)d (n)
LMS算法


第一步：设置变量和参量： X(n)= [1, x1(n), x2(n), …, xm(n)]为输入向量，或称 训练样本； W(n)= [b(n), w1(n), w2(n), …, wm(n)]为权值向量； b(n) 为偏差；y(n)为实际输出；d(n)为期望输出； η为学习速率；n为迭代次数。 第二步：初始化，赋给Wj(0)各一个较小的随机非零 值， n = 0；

人工智能导论全套精ppt课件

人工智能导论全套精ppt课件
3. 机器思维
机器思维：对通过感知得来的外部信息及机器内部的各 种工作信息进行有目的的处理。
19
21.3机人器工感智知能研究的基本内容
4. 机器学习
机器学习（machine learning）：研究如何使计算机具有 类似于人的学习能力，使它能通过学习自动地获取知识。
1957年，Rosenblatt研制成功了感知机。
获取知识并应用知识求解问题 的能力
6
1.1.2 智能的特征
1. 感知能力：通过视觉、听觉、触觉、嗅觉等感觉器官 感知外部世界的能力。 80%以上信息通过视觉得到，10%信息通过听觉得到。
2. 记忆与思维能力
存储由感知器官感知到的外部信息以及由思维 所产生的知识
对记忆的信息进行处理
7
1.1.2 智能的特征
20世纪三大科学技术成就：
空间技术
原子能技术
人工智能
3
第1章 绪论
1.1 人工智能的基本概念 1.2 人工智能的发展简史 1.3 人工智能研究的基本内容 1.4 人工智能的主要研究领域
4
第1章 绪论
✓ 1.1 人工智能的基本概念
1.2 人工智能的发展简史 1.3 人工智能研究的基本内容 1.4 人工智能的主要研究领域
13
1.2.2 形成（1956年－1969年）
1956年夏，当时美国达特茅斯大学数学助教、现任斯坦福 大学教授麦卡锡和哈佛大学数学和神经学家、现任MIT教 授明斯基、IBM公司信息研究中心负责人洛切斯特、贝尔 实验室信息部数学研究员香农共同发起，邀请普林斯顿大 学莫尔和IBM公司塞缪尔、MIT的塞尔夫里奇和索罗莫夫 以及兰德公司和卡内基－梅隆大学的纽厄尔、西蒙等10名 年轻学者在达特莫斯大学召开了两个月的学术研讨会，讨 论机器智能问题。

9-第三篇 第2章 神经网络的学习

9-第三篇 第2章 神经网络的学习

第二章人工神经网络的学习通过相继给人工神经网络输入一些样本数据，并按照一定的规则（或学习算法）不断改变网络各层的连接权值，使网络的输出不断地接近期望的输出值，这一个过程称为神经网络的学习或训练。

学习的实质是可变权值的动态调整的自适应过程。

改变权值的规则称为学习规则或学习算法（相应也称训练规则或训练算法）。

单个处理单元，无论采用哪一种学习规则进行调整，其算法都十分简单。

大量处理单元集体进行权值调整时,网络就呈现出“智能”的特性。

神经网络结构和功能不同，学习方法也各不相同，下面简要介绍神经网络学习的基本方法。

2.1学习方法的分类在网络的结构和转移函数确定后，如何修改权值使网络达到一定的要求就成为决定网络信息处理性能的第三大要素。

学习问题归根结底就是网络连接权的调整问题，其方法有以下几种：1．有导师学习（也称监督学习）这种学习模式采用纠错的规则，要求在给出输入模式X的同时在输出侧还要给出与之相对应的目标模式，又称教师信号或期望输出模式，两者一起称为训练对。

一般训练一个网络需要许多个训练对，称为训练集。

学习时，使用训练集中的某个输入模式，得到一个网络的实际输出模式Y，再与期望输出模式d相比较，不相符时求出误差，按误差的大小和方向调整权值,以使误差向着减小方向变化；然后，逐个用训练集中的每个训练对，不断地修改网络的权值，整个训练集反复地作用于网络许多次，直到训练集作用下的误差小于事前规定的容许值为止，即认为网络在有导师的训练下已学会了训练数据中包含的知识和规则，学习过程便告结束。

并将权值存储于网络中，提供给运行阶段使用。

2．无导师学习（也称无监督学习）在学习时，训练集仅用各输入模式组成，而不提供相应的输出模式。

网络能根据特有的内部结构和学习规则响应输入的激励而反复调整权值，这个过程称为网络的自组织。

自组织学习是靠神经元本身对输入模式的不断适应，抽取输入信号的规律，从而将输入模式按其相似程度自动划分若干类，将其输入特征记忆下来，当它再次出现时就能把它识别出来。

人工智能导论-第二章对抗搜索

人工智能导论-第二章对抗搜索

上限置信区间算法在MCTS中应用
上限置信区间（UCB）算法
UCB算法是一种多臂赌博机问题的解决方法，用于在探索和利用之间找到平衡。 在MCTS中，UCB算法被用于指导节点的选择过程。
应用方式
在MCTS的选择阶段，使用UCB算法计算每个子节点的得分，并选择得分最高 的子节点进行扩展和模拟。通过不断调整UCB公式中的参数，可以控制探索和 利用的权衡程度。
优化策略
为了进一步提高Alpha-Beta剪枝算法的效率，可以采用 一些优化策略，如启发式排序、迭代深化搜索等。其中 ，启发式排序是一种基于评估函数的节点排序方法，将 更有可能导致最优解的节点排在前面，从而提前找到最 优解并终止搜索；迭代深化搜索则是一种逐步增加搜索 深度的搜索方法，可以在有限的搜索深度内找到较好的 解。
常见剪枝技术
常见的剪枝技术包括深度优先剪枝、广度优先剪枝、启发式剪枝等。其中，启发 式剪枝是一种基于评估函数的剪枝方法，通过计算每个节点的评估值，提前排除 一些评估值较差的节点，从而减少搜索空间。
Alpha-Beta剪枝算法优化策略
Alpha-Beta剪枝原理
Alpha-Beta剪枝算法是一种基于极大极小值搜索的优化算 法，通过引入两个参数alpha和beta来限制搜索范围，从 而减少搜索空间。在搜索过程中ቤተ መጻሕፍቲ ባይዱ如果发现当前节点的值 已经小于或等于alpha（对于极大值节点）或大于或等于 beta（对于极小值节点），则可以提前终止对该节点的搜 索。
非零和博弈是指博弈中各方的收益和损失总和不为零的情况 。这种博弈更为普遍，因为现实生活中的许多情况都是非零 和的。非零和博弈算法需要考虑到博弈各方的可能合作，以 及利益分配的问题。
完全信息与非完全信息博弈算法

53476《计算智能》第2章PPT

53476《计算智能》第2章PPT

1, 1,
x≥0 x0
f(x)
1
0
x
-1
阶跃函数
符号函数
人工神经元--激励函数—饱和型函数
1, f (x) kx, 1,
x≥ 1 k
1≤x 1
k
k
x1 k
f(x) 1
0
x
-1
饱和型函数
人工神经元-激励函数-双曲正切函数
f
(x)
tanh(x)
ex ex
ex ex
f(x) 1
0
x
-1
双曲正切函数
参数 逻辑与 逻辑或
表 2.1 逻辑与和逻辑或神经网络结构中参数的选取
1
2
f(x)
f (x) 1 x≥0
0.5
0.5
0.75
f (x) 0 x 0
f (x) 1 x≥0
0.5
0.5
0.25
f (x) 0 x 0
逻辑与和逻辑或的实现
人工神经元-激励函数-S型函数
f (x)
1
, 0
1 exp(1 x)
f(x)
β=5.0
1
0.5 β=1
0
x
S型函数
人工神经元-激励函数-高斯函数
f (x) ex2 /2
f(x) 1
-1
0 1x
高斯函数
2、人工神经元网络结构
1 前馈型网络结构 2 反馈型网络结构
人工神经元网络结构---前馈型网络结构
学习规则是修正神经元之间连接强度或加权系数的算法， 使获得的网络结构能够适应实际需要的变化。具体说， 学习规则就是人工神经网络学习过程的一系列规定，包 括调整加权系数的规则、输出误差判定规则等。

人工智能概论课件 第2章 知识表示(导论)

▪ 谓词名 P：刻画个体的性质、状态或个体间的关系。
（1）个体是常量：一个或者一组指定的个体。
▪ “老张是一个教师”：一元谓词 Teacher (Zhang) ▪ “5>3” ：二元谓词 Greater (5, 3) ▪ “Smith作为一个工程师为IBM工作”：
三元谓词 Works (Smith, IBM, engineer)
命题逻辑表示法：无法把它所描述的事物的结构及逻辑特 征反映出来，也不能把不同事物间的共同特征表述出来。
P：老李是小李的父亲
P：李白是诗人 Q：杜甫也是诗人
13
2.2.2 谓词
谓词的一般形式： P (x1, x2,…, xn)
▪ 个体 x1, x2,…, xn ：某个独立存在的事物或者某个抽象 的概念；
（3）∧： “合取”（conjunction）——与。
“我喜欢音乐和绘画”： Like (I, music) ∧ Like (I, painting)
16
2.2.3 谓词公式
1. 连接词（连词） （4）→：“蕴含”(implication)或 “条
件”(“如co果nd刘iti华on跑)。得最快，那么他取得冠军。” ：
▪ ( x)( y) F(x, y) 表示对于个体域中的任何两个个体x
和y，x与y都是朋友。
20
2.2.3 谓词公式
全称量词和存在量词出现的次序将影响命题的意思。 例如：
▪ ( x)( y)(Employee(x) → Manager(y, x)) :
“每个雇员都有一个经理。”
▪ ( y)( x)(Employee(x) → Manager(y, x)):
30
第2章 知识表示
2.1 知识与知识表示的概念 2.2 一阶谓词逻辑表示法

《人工智能应用概论》课件第2章-知识表示

5.信息到知识和图形数据库阶段 Quillian于1968年提出了语义网络（Semantic Network）的概念，在研究人类联想记忆时提出， 认为记忆是由概念之间的联系来实现的。Simmon于1970年正式提出语义网络，并论证了语义网 络与一阶谓词逻辑的关系，认为语义网络是一种以网格格式表达人类知识构造的形式，使用相 互连接的点和边来表示知识，节点表示对象、概念，边表示节点之间的关系
2 2.1.2知识的特征
特征
相对正确性—知识是人类对客观世界认识的结晶， 并且受到长期实践的检验。因此，在一定的条件 及环境下，知识是正确的。（看图识字）
不确定性—由于现实世界的复杂性，信息可能是精确
的，也可能是不精确的、模糊的；关联可能是确定的， 也可能是不确定的。（打雷一定下雨吗？）
2 2.1.2 知识的特征
2 2.2.1知识表示具体实现
系统规则库： R1: IF 有毛发 THEN 哺乳动物 R2: IF 分泌乳汁 THEN 哺乳动物 R3: IF 有羽毛 THEN 鸟类 R4: IF 会飞 AND 会下蛋 THEN 鸟类 R5: IF 吃肉 THEN 食肉动物 R6: IF 有犬齿 AND 有爪 AND 眼盯前方 THEN 食肉动物 R7: IF 哺乳动物 AND 有蹄 THEN 有蹄类动物 R8: IF 哺乳动物 AND 反刍动物 THEN 有蹄类动物 R9: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色斑点 THEN 金钱豹 R10: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色条纹 THEN 老虎 R11: IF 有蹄类动物 AND 长脖子 AND 长腿 AND 身上黑色斑点 THEN 长颈鹿 R12: IF 有蹄类动物 AND 身上黑色条纹 THEN 斑马 R13: IF 鸟类 AND 长脖子 AND 长腿 AND 不会飞 AND 黑白二色 THEN 鸵鸟 R14: IF 鸟类 AND 会游泳 AND 不会飞 AND 黑白二色 THEN 企鹅 R15: IF 鸟类 AND 会飞 THEN 信天翁

人工神经网络导论-354


2020/8/15
21
1.1 人工神经网络的提出
• 1.1.2 物理符号系统 •
人脑的反映 形式化
现实
信息
数据
物理系统
物理符号系统 表现智能
2020/8/15
22
1.1 人工神经网络的提出
• Newell和Simon假说 ：一个物理系统表现 智能行为的充要条件是它有一个物理符号 系统
• 概念：物理符号系统需要有一组称为符号 的实体组成，它们都是物理模型，可以在 另一类称为符号结构的实体中作为成分出 现，以构成更高级别的系统
人工神经网络
Artificial Neural Networks
北京工业大学计算机学院 蒋宗礼
2020/8/15
1
课程目的和基本要求
• 作为人工神经网络的入门课程，用于将学 生引入人工神经网络及其应用的研究领域。
• 介绍人工神经网络及其基本网络模型，使 学生
–了解智能系统描述的基本模型
–掌握人工神经网络的基本概念、单层网、多层 网、循环网等各种基本网络模型的结构、特点、 典型训练算法、运行方式、典型问题
–掌握软件实现方法。
2020/8/15
2
课程目的和基本要求
• 了解人工神经网络的有关研究思想，从中 学习开拓者们的部分问题求解方法。
• 通过实验进一步体会有关模型的用法和性 能，获取一些初步的经验。
• 查阅适当的参考文献，将所学的知识与自 己未来研究课题（包括研究生论文阶段的 研究课题）相结合起来，达到既丰富学习 内容，又有一定的研究和应用的目的。
2020/8/15
31
1.2.1 人工神经网络的概念
• 强调：
– ① 并行、分布处理结构； –② 一个处理单元的输出可以被任意分枝，且

人工智能导论全书课件完整版ppt全套教学教程最全电子教案教学设计最新


人工智能是研究使计算机模拟人类的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
人工智能的特点
人工智能经历了六十多年的发展，现在已进入AI 2.0阶段
人工智能的分类
斯图尔特·罗素
斯图尔特·罗素（Stuart Russell），世界经济论坛（WEF）人工智能委员会副主席、加州大学伯克利分校人工智能中心创始人。
斯蒂芬·威廉·霍金
斯蒂芬·威廉·霍金（Stephen William Hawking），著名物理学家，被誉为继爱因斯坦之后最杰出的理论物理学家。他曾经指出：强大的人工智能的崛起，要么是人类历史上最好的事，要么是最糟的。
自1956年诞生以来，人工智能研究已经取得了许多令人兴奋的成果，并在多个领域得到了广泛的应用，极大地改变了人们的社会生活。本节将对人工智能的概念作简单的介绍。
人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
2017年8月3日，腾讯公司正式发布了人工智能医学影像产品——腾讯觅影。同时，还宣布成立人工智能医学影像联合实验室。
2017年10月11日，阿里巴巴首席技术官张建锋宣布成立全球研究院——达摩院。达摩院的成立，代表着阿里巴巴正式迈入全球人工智能等前沿科技的研发行列。
从细分的研究领域来看，最受国际人工智能人才青睐的领域为机器学习、数据挖掘和模式识别，中国人工智能人才则倾向于投入遗传算法、神经网络和故障诊断方面。
1950年，一位名叫马文·明斯基（Marvin Lee Minsky，后被称为“人工智能之父”）的大四学生与他的同学邓恩·埃德蒙（Dean Edmunds）一起，建造了世界上第一台神经网络计算机，被看作是人工智能的一个起点。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图2-6 为利用这种符号所表示的多输入神经 元。
图2-6 具有R个输入的神经元的简化符号
2020/10/15
21
例2.1 对于图2-1所示的单个神经元设输 入 p 2, w 1.2, b -3，分别采用hardlm, hardlims, purelin,satlin,logsig传输函 数，求神经元的输出值。
第2章 神经元模型和网络结构
2020/10/15
1
2.1 目的
第1章给出了生物神经元和神经网络的 简述。现在来介绍简化的神经元数学模型， 并解释这些人工神经元如何相互连接形成 各种网络结构。另外，本章还将通过几个 简单的实例阐述这些网络如何工作。
本书中将使用本章所引入的概念和符号。
2020/10/15
2
2.2 原理和实例
2.2.1 符号
神经网络是一门新兴学科。迄今为止，人 们还并没有对其建立严格的数学符号和结构化 表示。另外，神经网络方面的论文和书籍均是 来自诸如工程、物理、心理学和数学等许多不 同领域，作者都习惯使用本专业的特殊词汇。 于是，神经网络的许多文献都难以阅读，概念 也较实际情况更为复杂。
a logsig(wp)
a logsig(wp b)
Log-Sigmoid 传输函数 单输入logsig神经元
图2-4 对数-S形传输函数
2020/10/15
12
该传输函数的输入在（-∞，+∞）之间
取值，输出则在0到1 之间取值，其数学表
达为：
a
1 1 e-n
本书所用的大多数传输函数在表2-1中 都可以找到。当然，你也可以定义不同于 表2-1的传输函数。
在本课中，我们尽可能地使用标准符号。
2020/10/15
3
2.2 原理和实例
本课中的图、数学公式以及解释图和数 学公式的正文，将使用以下符号：
• 标量：小写的斜体字母，如a,b,c。
• 向量：小写的黑正体字母，如a,b,c。 • 矩阵：大写的黑正体字母，如 A,B,C。
2020/10/15
4
ห้องสมุดไป่ตู้
2.2.2 神经元模型 1．单输入神经元 概念：输入、权值、偏置（值）、净输入、
2020/10/15
10
●线性传输函数：
线性传输函数的输出等于输入（如图2-3 所
示）:
an
a purlin(wp)
a purelin(wp b)
线性传输函数 单输入purelin神经元 图2-3 线性传输函数
2020/10/15
11
●对数-S 形传输函数： 对数-S 形（logsig）传输函数如图2-4 所示。
本书包括了各种不同的传输函数。下面将 讨论其中最常用的三种。
2020/10/15
8
●硬极限传输函数: 硬极限传输函数如图2-2 中的左图所示，
当函数的自变量小于0时，函数的输出为0 ; 当函数的自变量大于或等于0时，函数的输出 为1 。用该函数可以把输入分成两类。
第三、四章将广泛使用该传输函数。
a hardlim(wp)
图2-5 多输入神经元
2020/10/15
18
该神经元有一个偏置值b，它与所有输入的
加权和累加，从而形成净输入 n ：
n w11 p1 w12 p2 w1R pR b
这个表达式也可以写成矩阵形式：
n wp b
其中单个神经元的权值矩阵W只有一列元素。 神经元的输出可以写成：
a f (wp b）
a=1,具有最大n
竞争函数 的神经元
C
a=0,所有其他的
神经元
2020/10/15
compot
16
3．多输入神经元
概念：权值矩阵：
通常，一个神经元有不止一个输入。具
有R个输入的神经元如图2-5 所示。
其输入：p1、p2
p R
分别对应权值矩阵W的元素：
w11、w12 w1 R
2020/10/15
17
2020/10/15
19
概念：权值下标 权值矩阵元素下标的第一个下标表示权值 相应连接所指定的目标神经元编号，第二个 下标表示权值相应连接的源神经元编号。
据此，w12 的含义是：该权值表示从第二
个源神经元到第一个目标神经元的连接。
2020/10/15
20
概念：简化符号
本课程将采用简化符号来表示神经元。
a hardlim(wp b)
硬极限传输函数
单输入hardlim神经元
图2-2 硬极限传输函数
2020/10/15
9
图2-2的右图描述了使用硬极限传输函数的 单输入神经元的输入/输出特征曲线。从中可 看出权值和偏置值的影响。注意，两图之间 的图标代表硬极限传输函数。在网络图中的 这个图标表示使用了该传输函数。
传输函数、输出. 一个规范的单输入神经元如图2-1 所示。
图2-1 单输入神经元表示
2020/10/15
5
●标量输入p乘标量权值w得到wp，再将其送 入累加器。
●另一个输入1 乘上偏置值b，再将其送入累 加器。
●累加器输出通常被称为净输入n，它被送入 一个传输函数。
●传输函数f中产生神经元的标量输出a。
若将这个简单模型和第1章所讨论的生 物神经元相对照，则权值对应于突触的连 接强度，细胞体对应于累加器和传输函数， 神经元输出代表轴突的信号。
2020/10/15
6
神经元输出按下式计算： a f (wp b)
例如，若 w 3, p 2,b 1.5 ，则
a f (3*2 1.5) f（4.5）
2020/10/15
13
表2-1 传输函数 名 称 输入/输出
关系
硬极限函 a=0,n<0
数
a=1,n≥0
对称硬极 a=-1,n<0
限函数
a=1,n≥0
线性函数 a=n
饱和线性 函数
2020/10/15
a=0 ,n<0 a=n,0≤n≤1 a=1,n>1
图标 MATLAB 函数 Hardlim
hardlims
注意，w和b是神经元的可调整标量参数。 设计者也可选择特定的传输函数，在一些学 习规则中调整参数w和b，以满足特定的需要。 正如将在下一节所讨论的，依据不同目的可 以选择不同的传输函数。
2020/10/15
7
2．传输函数
图2-1中的传输函数可以是累加器输出 （净输入）n的线性或非线性函数。可以用特 定的传输函数满足神经元要解决的特定问题。
purelin stalin
14
对称饱和 线性函数
a=-1 ,n<-1 a=n,-1≤n≤1 a=1,n>1
对数-S函 数
a
1
1 e-n
双曲正切S函数
2020/10/15
a
en en
- e-n e-n
stalins
logsig tansig
15
正线性函 数
a=0,n<0 a=n,n≥0
poslin