主要参考书目关于神经网络的最最最通俗认识关于神经网络的最最最通俗认识关于神经网络的最最最通俗认识关于神经网络的最最最通俗认识关于神经网络的最最最通俗认识关于神经网络的最最最通俗认识岩性岩性施肥量自变量关于神经网络的最最最通俗认识引言ANN研究的目的和意义人工神经网络概述第一节神经网络概念一、脑神经系统与生物神经元生物神经元组成神经元之间的联系:轴突及突触与其它许多神经元建立联系。树突接收来自不同神经元的信息。神经元之间的这种复杂联系就形成了相应的神经网络。神经元重要特性：动态极化原则时空整合处理功能兴奋与抑制工作状态结构的可塑性突触界面具有脉冲与电位信号的转换功能突触对信息的传递具有时延和不应期脑神经信息活动的特征二、人工神经元及其互连结构1、人工神经元人工神经元是组成人工神经网络的基本处理单元，简称为神经元。心理学家麦克洛奇(W．McCulloch)和数理逻辑学家皮兹(W.Pitts)于1943年首先提出了一个简化的神经元模型，称为M-P模型。M－P模型：神经网络的基本处理单元是神经元，为实现神经网络的计算功能，需分别给出神经元的计算模型和网络连接方式。M－P模型：M-P模型对抑制性输入(负权)赋于了“否决权”，只有当不存在抑制性输入，且兴奋性输入的总和超过阈值，神经元才会兴奋，其输入与输出的关系如表所示。M-P模型输入输出关系表在M-P模型基础上发展起来的常用神经网络模型如图所示：神经元的工作过程一般是：(1)从各输入端接收输入信号xi；(2)根据连接权值wi，求出所有输入的加权和σ：(3)用某一特性函数(又称作用函数)f进行转换，得到输出y：2、神经元的互连形态人工神经网络是由神经元广泛互连构成的，不同的连接方式就构成了网络的不同连接模型，常用的有以下几种：前向网络从输出层到输入层有反馈的网络层内有互连的网络互连网络(1)前向网络：前向网络又称为前馈网络。在这种网络中，神经元分层排列，分别组成输入层、中间层和输出层。每一层神经元只接收来自前一层神经元的输入。输入信息经各层变换后，最终在输出层输出，如图所示。（2）从输出层到输入层有反馈的网络。这种网络与上一种网络的区别仅仅在于，输出层上的某些输出信息又作为输入信息送入到输入层的神经元上。(3)层内有互连的网络。同一层上的神经元可以互相作用。（4）互连网络。在这种网络中，任意两个神经元之间都可以有连接，如图4所示。在该网络中，信息可以在神经元之间反复往返地传递，网络一直处在一种改变状态的动态变化之中。三、人工神经网络的特征及分类2、人工神经网络的分类若按网络的拓扑结构划分无反馈网络；反馈网络；若按网络的学习方法划分有教师的学习网络；无教师的学习网络；若按网络的性能划分连续型；离散型网络确定型；随机型网络；若按连接突触的性质划分一阶线性关联网络；高阶非线性关联网络。第二节神经网络模型感知器感知器2、单层感知器及其算法单层感知器只有一个计算层，它以信号模板作为输入，经计算后汇总输出，层内无互连，从输出至输入无反馈，是一种典型的前向网络，如图所示。在单层感知器中，当输入的加权和大于等于阈值时，输出为1，否则为0或-1。它与M-P模型的不同之处是假定神经元间的连接强度(即连接权值wij）是可变的，这样它就可以进行学习。单层感知器的学习及其算法：学习的目的是调整连接权值，以使网络对任何输入都能得到所期望的输出。考虑仅有一个输出节点的情况，其中，xi是该输出节点的输入；wi是相应的连接权值(i=1，2．…，n)；y(t)是时刻t的输出；d是所期望的输出，它或者为1，或者为-1。学习算法如下：(1)给wi(0)(i=1，2，…，n)及阈值θ分别赋予一个较小的非零随机数作为初值；这里wi(0)表示在时刻t=0时第i个输入的连接权值。(2)输入一个样例X={x1，x2，…，xn}和一个所期望的输出d。(3)计算网络的实际输出：(4)调整连接权值：此处0<η≤1，它是一个增益因子，用于控制调整速度。如果实际输出与已知的输出一致，表示网络已经作出了正确的决策，此时就无需改又wi(t)的值。(5)转到第(2)步，直到连接权值w，对一切样例均稳定不变时为止。中国神经网络委员会（CNNC）简介中国神经网络委员会（CNNC）简介中国神经网络委员会（CNNC）简介中国神经网络委员会（CNNC）简介中国神经网络委员会（CNNC）简介中国神经网络委员会（CNNC）简介谢谢大家！再见！20090911关于神经网络的最最最通俗认识ANN研究的目的和意义人工神经网络概述第一节神经网络概念1、人工神经元人工神经元是组成人工神经网络的基本处理单元，简称为神经元。心理学家麦克洛奇(W．McCull