前言:
如今大家对“人工神经网络分类预测”大约比较关注,兄弟们都需要知道一些“人工神经网络分类预测”的相关文章。那么小编同时在网络上汇集了一些关于“人工神经网络分类预测””的相关内容,希望看官们能喜欢,同学们一起来了解一下吧!一、什么是人工神经网络?
人工神经网络(Artificial Neural Network,即ANN ),是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。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,称为激励函数(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,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。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。
人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统,其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单,功能有限,但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。人工神经网络基本结构:输入层、隐含层和输出层,其往往包含以下几个特点,如下图所示:
通常一个神经网络由一个input layer,多个hidden layer和一个output layer构成。图中圆圈可以视为一个神经元(又可以称为感知器)设计神经网络的重要工作是设计hidden layer,及神经元之间的权重添加少量隐层获得浅层神经网络SNN;隐层很多时就是深层神经网络DNN
二、人工神经网络分类
人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前,已有近40种神经网络模型,其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构,神经网络模型可以分为:
前向网络:网络中各个神经元接受前一级的输入,并输出到下一级,网络中没有反馈,可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换,它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单,易于实现。反传网络是一种典型的前向网络。 反馈网络:网络内神经元间有反馈,可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换,可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。
三、引入人工神经网络的意义
人工神经网络,主要是在机器学习中充当分类器的所用,线性回归和Logistic回归同样可以满足分类,那为什么还需要人工神经网络?
先看下面左图,在样本空间中,使用颜色将样本标注为不同类别,这样样本点所构成的集合之间没有交集,或者说交集的样本可以忽略,类似这种情况都被称为线性可分。直觉上,线性可分的两类样本集合之间存在的决策平面(超平面)是线性的,即它是一个n元一次的方程。在二维空间中,如图一所示,一条直线就能把它们分开。这类问题属于线性回归和Logister回归范畴。
再观察右图,主观上红色和蓝色的样本点不能被一条直线分隔开,即决策边界(分割超平面)不是线性的,因此线性不可分。而此类情况,其决策边界应该是一个n元m次的方程(m>1)。针对此类问题,我们就需要引入人工神经网络进行分类。
四、人工神经网络原理
下面给出的是神经网络如何学习的一个简化表示:
在神经网络中随机初始化权重我们将第一组输入值发送给神经网络,使其传播通过网络并得到输出值。我们将输出值和期望的输出值进行比较,并使用成本函数计算误差。我们将误差传播回网络,并根据这些信息设置权重。对于训练集中的每个输入值,重复2至4的步骤。当整个训练集都发送给了神经网络,我们就完成了一个epoch, 之后重复多次epochs。
标签: #人工神经网络分类预测