第四章cpn人工神经网络

1. 试比较BP 学习算法与感知机学习算法的异同。

同：两种学习算法均基于纠错学习规则，采用有指导的学习方式，根据来自输出节点的外部反馈（期望输出）调整连接权，使得网络输出节点的实际输出与外部的期望输出一致。

异：感知机学习算法中，隐含层处理单元不具备学习能力，其模式分类能力仍然非常有限；而BP 学习算法采用非线性连续变换函数，使隐含层神经元具有了学习能力。

BP 学习算法基于最小均方误差准则，采用误差函数按梯度下降的方法进行学习，其学习过程分为模式顺传播，误差逆传播、记忆训练、学习收敛4个阶段。

2. 试述BP 神经网络有哪些优点和缺点。

优点：具有良好的非线性映射能力、泛化能力和容错能力。

缺点：学习算法的收敛速度慢；存在局部极小点；隐含层层数及节点数的选取缺乏理论指导；训练时学习新样本有遗忘旧样本的趋势。

3. 试举例说明BP 神经网络擅长解决哪些问题，并针对一个具体应用实例，描述BP 神经网络解决该问题的具体方案。

擅长解决函数拟合问题（例如，拟合多项式函数），线性与非线性的分类问题（例如，疾病病例分类），预测问题（例如，房屋价格预测），模式识别问题（例如，手写数字识别）。

具体应用实例及解决方案略。

4. 请给出一个BP 神经网络的具体应用实例。

略。

5. 什么是BP 神经网络的泛化能力？如何提高BP 神经网络的泛化能力？BP 神经网络的泛化能力是指BP 神经网络对未训练样本的逼近程度或对于未知数据的预测能力。

即：BP 神经网络学习训练完成后会将所提取的样本模式对中的非线性映射关系存储在网络连接权向量中，在其后的正常工作阶段，当向BP 神经网络输入训练时未曾见过的数据时，BP 神经网络也能够完成由输入模式到输出模式的正确映射。

提高BP 神经网络泛化能力的方法包括： 1) 增加训练集中的样本数； 2) 适当减少隐藏节点个数；3) 增加网络结构中的因子数（考虑更多可能影响结果的因子作为额外的输入项）； 4) 对于选取的数据样本，要尽量保证包含拐点处的数据样本，同时尽可能保证相邻样本的变化率小于误差精度要求。

人工神经网络简介1 人工神经网络概念、特点及其原理 (1)1.1人工神经网络的概念 (1)1.2人工神经网络的特点及用途 (2)1.3人工神经网络的基本原理 (3)2 人工神经网络的分类及其运作过程 (5)2.1 人工神经网络模式的分类 (5)2.2 人工神经网络的运作过程 (6)3 人工神经网络基本模型介绍 (6)3.1感知器 (7)3.2线性神经网络 (7)3.3BP（Back Propagation）网络 (7)3.4径向基函数网络 (8)3.5反馈性神经网络 (8)3.6竞争型神经网络 (8)1 人工神经网络概念、特点及其原理人工神经网络（Artificial Neural Networks，简记作ANN），是对人类大脑系统的一阶特征的一种描述。

简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。

1.1人工神经网络的概念利用机器模仿人类的智能是长期以来人们认识自然、改造自然的理想。

自从有了能够存储信息、进行数值运算和逻辑运算的电子计算机以来，其功能和性能得到了不断的发展，使机器智能的研究与开发日益受到人们的重视。

1956年J.McCart冲等人提出了人工智能的概念，从而形成了一个与神经生理科学、认知科学、数理科学、信息论与计算机科学等密切相关的交叉学科。

人工神经网络是人工智能的一部分，提出于50年代，兴起于80年代中期，近些年已经成为各领域科学家们竞相研究的热点。

人工神经网络是人脑及其活动的一个理论化的数学模型，它由大量的处理单元通过适当的方式互联构成，是一个大规模的非线性自适应系统，1998年Hecht-Nielsen曾经给人工神经网络下了如下定义：人工神经网络是一个并行、分层处理单元及称为联接的无向信号通道互连而成。

这些处理单元（PE-Processing Element）具有局部内存，并可以完成局部操作。

每个处理单元有一个单一的输出联接，这个输出可以根据需要被分支撑希望个数的许多并联联接，且这些并联联接都输出相同的信号，即相应处理单元的信号。

人工神经网络简介本文主要对人工神经网络基础进行了描述，主要包括人工神经网络的概念、发展、特点、结构、模型。

本文是个科普文，来自网络资料的整理。

一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。

该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。

它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。

神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。

每个节点代表一种特定的输出函数，称为激活函数（activation function）。

每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。

网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。

而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

神经网络的构筑理念是受到生物的神经网络运作启发而产生的。

人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。

另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。

人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。

网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。

输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。

人工神经网络基本原理人工神经网络（Artificial Neural Networks, ANN），一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

（引自《环球科学》2007年第一期《神经语言：老鼠胡须下的秘密》）概念由大量处理单元互联组成的非线性、自适应信息处理系统。

它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

人工神经网络具有四个基本特征：（1）非线性非线性关系是自然界的普遍特性。

大脑的智慧就是一种非线性现象。

人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。

具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

（2）非局限性一个神经网络通常由多个神经元广泛连接而成。

一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。

通过单元之间的大量连接模拟大脑的非局限性。

联想记忆是非局限性的典型例子。

（3）非常定性人工神经网络具有自适应、自组织、自学习能力。

神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。

经常采用迭代过程描写动力系统的演化过程。

（4）非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。

例如能量函数，它的极值相应于系统比较稳定的状态。

非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。

人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。

⼈⼯神经⽹络⼀.相关知识1.背景：从⼀颗受精卵成长为⼀个复杂的多细胞⽣物，神经系统在⽣物的成长中起着主导作⽤，神经系统分为中枢神经系统和周围神经系统两⼤部分主要组成。

其中中枢系统主要分布在脑和脊髓中，分布在脑部的神经系统主要起传递、储存和加⼯信息，产⽣各种⼼理活动，⽀配与控制⽣物⾏为的作⽤。

我们把⼈的这种特性拿出来放到计算机中，也就是让计算机像⼈脑⼀样能较精确地处理信息，⼈脑中的神经系统变成计算机中的⼈⼯神经⽹络，⽣物神经系统的基本组成单位--神经细胞，对应⼈⼯神经⽹络中的神经元。

⽣物神经系统的主要功能是通过经验能对外界的信息作出正确的回应，⽐如⼀个⼈⼩时候不会⽤筷⼦，但是看得多了，别⼈教导，他就会⽤筷⼦了，我们想让⼈⼯神经⽹络也能通过学习经验（已有的训练数据）来对外界作出正确回应（预测正确未知样本），⼈类的学习过程相当于神经⽹络的训练过程。

2.神经⽹络的特点：（1）对于监督学习来说，在数据量⼩时，模型的精确度⼤概率取决于算法的设计，⽽当数据量⾜够⼤时，⼀般⽽⾔，⼀个规模⾜够⼤的神经⽹络⾮常擅长计算从样本数据到真实值的精确映射函数，所以⽐机器学习的算法效果好；（2）对于⾮结构化数据，神经⽹络能更好的解释它（结构化数据：每个特征都有明确定义；⾮结构化数据：⽐如图像的像素或⽂本的⽂字、语⾳序列之类）（3）神经⽹络对很多好的算法的兼容性很好，这使得神经⽹络的计算增快，提⾼了迭代速度3.相关应⽤：真实预测、推荐⼴告（标准的神经⽹络）、计算机视觉（图像数据-CNN）、语⾔识别(序列数据-RNN)、机器翻译（RNN）、⽆⼈驾驶(混合)⼆.神经⽹络简介1.符号定义2.神经⽹络演变（1）神经元：神经元是神经⽹络的基本组成单元，它从前⾯的神经元处接收信息，处理完信息后将结果传给后⾯的神经元，是信息的处理单元。

传输信息的通道在⽣物神经⽹络上为“突触”，在⼈⼯神经⽹络中⽤赋予权重的连接线来表⽰。

【1】单输⼊单输出的单个神经元：接收前输⼊a，⽤线性或⾮线性转换对输⼊进⾏处理，得到新的特征a'并输出。

人工神经网络知识概述人工神经网络（Artificial Neural Networks，ANN）系统是20世纪40年代后出现的。

它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。

BP（Back Propagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。

BP 神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。

而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。

人工神经元的研究起源于脑神经元学说。

19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。

人们认识到复杂的神经系统是由数目繁多的神经元组合而成。

大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。

神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。

但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。

细胞体内有细胞核，突起的作用是传递信息。

树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。

树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。

在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。

突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。

每个神经元的突触数目正常，最高可达10个。

各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。

人工神经网络1、基本特征(1)结构特征 并行处理（时间）、分布式存储（空间）与容错性(2)能力特征 自适应性（自学习和自组织）2、基本功能(1)联想记忆 自联想和异联想(2)非线性映射(3)分类与识别(4)优化计算(5)知识处理3、神经元建模：(1)每个神经元都是一个多输入单输出的信息处理单元；(2)神经元输入分兴奋性输入和抑制性输入两种类型；(3)神经元具有空间整合性和阈值特性；(4)神经元输入与输出间有固定的时滞，主要取决于突触延搁；(5)忽略时间整合作用和不应期；(6)神经元本身是非时变的，即其突触时延和突触强度均为常数。

4、人工神经元模型令)(t x i 表示t 时刻神经元j 接收的来自神经元i 的输入信息，)(t o j 表示t 时刻神经元j 的输出信息，则神经元j 的状态可表达为：})]({[)(1∑=--=ni j ij i ij j T t x w f t o τ其中，ij τ为输入输出间的突触时延，j T 为神经元j 的阈值，ij w 为神经元i 到j 的突触连接系数或称权重值，()∙f 为神经元转移函数。

取1=ij τ，则有：})]({[)1(1∑=-=+ni j i ij j T t x w f t o输入总和常称为神经元在t 时刻的净输入，用下式表示：∑=='ni i ij j t x w t t ne 1)()()(t t ne j '体现了神经元j 的空间整合性，而未考虑时间整合，当0)(>-'j j T t t ne 时，神经元才能被激活。

上式还可表示为权重向量j W 和输入向量X 的点积：X W t ne T j j ='其中j W 和X 均为列向量，定义为：T nj j j j w w w W ),,,(21 =T n x x x X ),,,(21 =如果令10-=x ，j j T w =0，则有j j w x T 00=-，因此净输入与阈值之差可表达为：∑====-'ni T j i ij j j j X W x w net T t ne 0综合以上各式，神经元模型可简化为：)()(X W f net f o T j j j ==5、神经元的转移函数(1)阈值型转移函数(M-P 模型) 处理离散信号单极性阈值型转移函数 单位阶跃函数双极性阈值型转移函数 sgn(x)(2)非线性转移函数（单极性/双极性Sigmoid 函数曲线）实数域R 到[0,1]闭集的非减性连续函数，代表了状态连续型神经元模型。

人工神经网络大脑是由约100亿个高度互联的神经元组成的，这些神经元构成一个协同处理的复杂网络结构，即神经网络，成为认知的物质与生理基础。

人工神经网络是模拟大脑构建的计算模型，由大量模拟神经元的处理单元——人工神经元构成，形成一个大规模的非线性自适应系统，拥有学习、记忆、计算以及智能处理能力，可以在一定程度上模拟人脑的信息储存、检索和处理能力。

6.1 感知机6.1.1 感知机模型1957年康奈尔大学的Rosenblatt提出了感知机的概念。

感知机模拟生物神经元，接收一个或者多个输入，处理后输出一个结果。

图6-1是感知机的示意图。

图6-1 感知机示意图感知机可以有一到多个输入，每个输入带有一个权重w，用来表示该输入的i和b构成了感知机的参数集合。

感知机重要程度，每个感知机有一个偏置b，wi计算输入的线性组合(或者叫作预激活)并将其交予激活函数f(a)得到输出y。

激活函数用于模拟生物神经元的激活与非激活状态，通常采用阶梯函数、sigmoid函数和分段线性函数及其变体。

图6-2给出了几种激活函数的定义和图形。

图6-2 几种激活函数6.1.2 感知机学习策略依据训练样本的数据确定wi 和b(不区分的时候统一记为θi)值的过程就是感知机的学习过程，其学习算法基于误差驱动。

首先，将未经学习的θi设置为0或者很小的随机值，然后对训练集中的每个样本进行分类预测，并根据预测结果更新参数值。

参数更新依据式(6-1)进行。

其中是样本j的实际类别;yj (t)是样本j的本次预测类别;xji是样本j的第i个特征;η是控制学习速率的超参数，叫作学习率。

显然，如果预测正确-yj(t)=0，则参数不需要更新，否则更新参数，这种更新规则类似于梯度下降算法。

学习遍历训练集中的每个样本称为一个训练周期(Epoch)。

如果在一个训练周期内对所有样本都分类正确，则模型达到收敛状态，停止训练;否则，进入下一周期，直至模型收敛，或者达到最大训练周期数。