人工神经网络的基本特性

来自计算思维百科
跳转至: 导航搜索

人工神经网络(Artificial Neural Network)通过模拟人脑感知行为出发,基于神经元间的连接来实现感知信息的大规模并行、分布式存储和处理,并提供自组织、自适应和自学习能力。人工神经网络由许多单个的处理器以模仿活的生物体神经元网络的方式构成,这些处理器称为处理单元。一个生物神经元始一个单个细胞,具有一些称为树突的输入触角和一个称作轴突的输出触角(图1)。经由一个细胞的轴突传递的信号反映了细胞是处于抑制状态还是兴奋状态。这种状态由细胞的树突接收到的信号的合成来决定。这些树突从其他细胞的轴突通过称为突触的小间隙采集信号。研究表明,一个突触的传导是由突触的化学成分控制的。也就是说,具体的输入信号将对神经元起兴奋作用还是抑制作用是由突触的化学成分决定。所以可以认为,一个生物神经网络是通过调整神经元间的这些化学连接来学习的。

3.4.2.png

图1 活的生物体中的一个神经元

人工神经网络的一个处理单元式模仿对生物神经元这种基本了解的一个简单装置。这个装置是一个多输入单输出的非线性阈值器件。根据其有效输入是否超过了一个给定的阈值产生0或1作为输出。如图2所示,这个有效输入是许多实际输入的一个加权和。图中,神经元的输入为x1、x2xn,每个输入xi对应某一个权值wi。每个输入值与相应的权值相乘,再把这些乘积相加形成有效输入∑=x1w1+x2w2+…+xnwn,,使用输出函数f比较∑和单元的阈值θ,如果∑>θ那么f(∑) = 1,否则f(∑) = 0。既输入加权和超过阈值产生一个输出值1(模拟神经元的兴奋状态);否则就产生一个输出值0(模拟神经元的抑制状态)。这里输出函数f也可以是其他函数如S型函数或者伪线性型函数。关于生物神经元和人工神经元的对比如表1所示。

3.4.3.png

图2 一个处理单元中的活动

表1 人工神经元与生物神经元作用对比

生物神经元

人工神经元

作用

树突

细胞体

轴突

突触

输入层

加权和

阈值函数

输出层

接收输入信号

加工处理信号

控制输出

输出结果

 

我们通过一个例子来看看神经元的工作过程,图3的例子表示了一个有3个输入且阈值为1.5的处理单元。第1个输入的权值为-2,第2个输入的权值为3,第3个输入的权值为-1.因此,如果单元接收的输入分别为1、1、0,那么其有效输入为(1)(-2)+(1)(3)+(0)(-1)=1,小于阈值1.5,所以其输出为0。

3.4.4.png

图3 神经元表示

权值可以是正值,也可以是负值,说明相应的输入对接收单元的作用可以使兴奋或是抑制。(若权值为负,接收的输入为1就减少了加权和,故有效输入偏向低于阈值;相反,一个正的权值使相应输入对加权和起增加作用,故增加了加权和超过阈值的机会。)此外,权的实际大小控制了相应输入单元对接收单元起抑制作用还是兴奋作用的程度。

3.4.5.png

图4 神经网络

许多神经元以一定的方式连接一起,一个神经元的输出作为另一个神经元的输入既构成神经网络,如图4所示。通过调节整个人工神经网络中神经元与神经元的连接权值,就能够对网络编程,让神经网络按照预定的方式对不同的输入做出正确响应。