数据融合学习教案.pptx
《数据融合学习教案.pptx》由会员分享,可在线阅读,更多相关《数据融合学习教案.pptx(40页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、数据数据(shj)融合融合第一页,共40页。神经网络性质神经网络性质(xngzh)和能力和能力n1.非线性非线性2.输入输出映射输入输出映射(yngsh)3.适应性适应性4.证据证据(zhngj)响应响应5.背景的信息背景的信息6.容错性容错性7.VLSI 实现实现8.分析和设计的一致性分析和设计的一致性9.神经生物类比神经生物类比第1页/共40页第二页,共40页。神经网络性质(xngzh)和能力1.非线性。一个人工神经元可以是线性或者是非线性的。一个由非线性神经元互联而成的神经网络自身是非线性的,并且非线性是一种(y zhn)分布于整个网络中的特殊性质。第2页/共40页第三页,共40页。2.
2、输入输出映射(yngsh)有监督学习或有教师学习是一个学习的流行范例,涉及使用带标号的训练样本或任务例子对神经网络的权值进行修改。每个样本由一个惟一的输入信号和相应期望响应(xingyng)组成。从一个训练集中随机选取一个样本给网络,网络就调整它的突触权值(自由参数),以最小化期望响应(xingyng)和由输入信号以适当的 统 计 准 则 产 生 的 实 际 响 应(xingyng)之间的差别。第3页/共40页第四页,共40页。使用训练集中的很多例子(l zi)重复神经网络的训练,直到网络到达没有显著的突触权值修正的稳定状态为止。先前用过的例子(l zi)可能还要在训练期间以不同顺序重复使用。
3、因此对当前问题网络通过建立输入输出映射从例子(l zi)中进行学习。第4页/共40页第五页,共40页。3.适应性神神经经网网络络嵌嵌入入了了一一个个调调整整自自身身突突触触权权值值以以适适应应外外界界变变化化的的能能力力。特特别别是是一一个个在在特特定定运运行行(ynxng)(ynxng)环环境境下下接接受受训训练练的的神神经经网网络络,对对环环境境条条件件不不大大的的变变化化可可以以容容易易进进行行重重新新训训练练。而而且且,当当它它在在一一个个时时变变环环境境中中运运行行(ynxng)(ynxng)时时,网络突触权值就可以设计成随时间变化。网络突触权值就可以设计成随时间变化。n用用于于模模
4、式式识识别别、信信号号处处理理(xn(xn ho ho ch ch l)l)和和控控制制的的神神经经网网络络与与它它的的自自适适应应能能力力结结合合,就就可可以以变变成成能能进进行行自自适适应应模模式式识识别别、自自适适应应信信号号处处理理(xn(xn ho ho ch ch l)l)和自适应控制的有效工具。和自适应控制的有效工具。第5页/共40页第六页,共40页。一一般般规规则则,在在保保证证系系统统保保持持稳稳定定时时一一个个(y(y)系系统统的的自自适适应应性性越越好好,当当要要求求在在一一个个(y(y)时时变变环环境境下下运运行行时时它它的性能就越具鲁棒性。的性能就越具鲁棒性。n但但是
5、是,需需要要强强调调的的是是,自自适适应应性性不不一一定定导导致致鲁鲁棒棒性性,实实际际可可能能相相反反。为为最最大大限限度度实实现现自自适适应应性性,系系统统的的主主要要时时间间常常数数应应该该长长到到可可以以忽忽略略(hl)(hl)寄寄生生干干扰扰,而而短短到到可可以反应环境的重要变化。以反应环境的重要变化。第6页/共40页第七页,共40页。4.证据(zhngj)响应 在模式识别的问题中,神经网络可以设计成既提供不限于选择哪一个特定(tdng)模式的信息,也提供决策的置信度的信息。后者可以用来拒判那些出现的过于模糊的模 式。有这些信息,网络的分类性能就会改善。第7页/共40页第八页,共40
6、页。5.背景(bijng)的信息神经网络的特定结构和激发状态代表知识。网络中每一个神经元潜在地都受网络中所有(suyu)其他神经元全局活动的影响。因此,背景信息自然由一个神经网络处理。第8页/共40页第九页,共40页。6.容错性一个以硬件形式实现后的神经网络有天生容错的潜质,或者鲁棒计算的能力,意即它的性能在不利运行条件(tiojin)下逐渐下降。比如,一个神经元或它的连接损坏了,存储模式的回忆在质量上被削弱。但是,由于网络信息存储的分布特性,在网络的总体响应严重恶化之前这种损坏是分散的。因此,原则上,一个神经网络的性能显示了一个缓慢恶化而不是灾难性的失败。第9页/共40页第十页,共40页。7
7、.VLSI 实现(shxin)神经网络的大规模并行性使它具有(jyu)快速处理某些任务的潜在能力.这一特性使得神经网络很适合用超大规模集成(very-large-scale-integrated,VLSI)技术实现.VLSI特殊优点是提供一个以高度分层的方式捕捉真实复杂性行为的方法。第10页/共40页第十一页,共40页。8.分析(fnx)和设计的一致性基 本 上,神 经 网 络 作 为 信 息(xnx)处理器具有通用性。即涉及神经网络的应用的所有领域都使用同样记号。这种特征以不同的方式表现出来:神经元:不管形式如何,在所有的神经网络中都代表一个相同成分。这种共性使得在不同应用中的神经网络共享相
8、同的理论和学习算法成为可能。模块化网络可以用模块的无缝集成来实现。第11页/共40页第十二页,共40页。9.神经生物(shngw)类比神神经经网网络络的的设设计计是是由由对对人人脑脑的的类类比比引引发发的的,人人脑脑是是一一个个容容错错(rn(rn cu)cu)的的并并行行处处理理的的活活生生生生的的例例子子,说说明明这种处理不光在物理上可实现的而且还是快速高效的。这种处理不光在物理上可实现的而且还是快速高效的。n神神经经生生物物学学家家将将(人人工工 )神神经经网网络络看看作作是是一一个个解解释释神神经经生生物物现现象象的的研研究究工工具具。另另一一方方面面,工工程程师师注注意意神神经经生生
9、物物学学是是将将其其作作为为解解决决复复杂杂(fz)(fz)问问题题的的新新思思路路,这这些些问问题题比比基基于于常常规规的的硬硬件件线线路路设设计计技技术术所所能能解解决决的的问问题题更更复复杂杂(fz)(fz)。第12页/共40页第十三页,共40页。网络结构1.单层前馈网络(wnglu)2.多层前馈网络(wnglu)3.递归网络(wnglu)第13页/共40页第十四页,共40页。网络结构1.单层前馈网络源节点(ji din)构成输入层,直接映射到神经元输出层上。源节点源节点(ji din)(ji din)输入层输入层神经元输出神经元输出(shch)层层单层前馈或无圈神经元网络图单层前馈或无
10、圈神经元网络图第14页/共40页第十五页,共40页。2.多层前馈网络(wnglu)网络有一层或多层隐藏节点层,相应的计算节点称为隐藏单元或隐藏神经元。隐藏神经元的功能是以某种有用方式(fngsh)介入外部输入和网络输出之中。加上一个或多个隐藏层,网络可以引出高阶统计特性。当输入层很大的时候,隐藏层提取高阶统计特性的能力就更有价值了。第15页/共40页第十六页,共40页。每每一一层层的的输输入入都都是是上上一一层层的的输输出出,最最后后的的输输出出层层给给出出相相对对于于源源节节点点的的激激活活模模式式的的网网络络(wnglu)(wnglu)输输出出。图图中中只只有有一一个个隐隐藏藏层层以以简简
11、化化神神经经网网络络(wnglu)(wnglu)的的布布局局。这这是是一一 个个 10-42 10-42 网网 络络(wnglu),(wnglu),其其中中有有 10 10 个个源源节节点点,4,4个个隐隐藏藏神神经经元元,2,2 个输出神经元。个输出神经元。源源 节节 点点(ji din)输输入层入层隐隐藏藏(yncng)神神 经经元层元层输输出出神神经元层经元层具有一个隐层和输出层具有一个隐层和输出层 的的全连接前馈或元圈网络图全连接前馈或元圈网络图n完全连接网完全连接网络络,相邻层的相邻层的任意一对节点任意一对节点都有连接。如都有连接。如果不果不 是这样是这样,称为部分连接称为部分连接网
12、络网络 第16页/共40页第十七页,共40页。3.递归网络(wnglu)单单层层网网络络的的每每一一个个神神经经元元的的输输出出都都反反馈馈到到所所有有其其他他神神经经元元的的输输入入中中去去。没没有有自自反反馈馈环环没没有有隐隐藏藏(yncng)(yncng)层。层。自自反反馈馈环环表表示示神神经经元元的的输输出出反反馈馈到到它它自己的输入上去。自己的输入上去。无自反馈无自反馈(fnku)环和隐藏神经元的递归网络图环和隐藏神经元的递归网络图第17页/共40页第十八页,共40页。图示是带有隐藏神经元的一类递归网络,反馈连接(linji)的起点包括隐藏层神经元和输出神经元。有隐藏(yncng)神
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据 融合 学习 教案
限制150内