這一系列的文章，了解各大唱片《神經(jīng)網(wǎng)絡(luò)設(shè)計》這本書的收益和總結(jié)。

第一部分介紹了三網(wǎng)融合：

• 感知
• Hamming
• Hopfield

感知機(jī)

採用對稱硬極限傳輸函數(shù)hardlims的單層感知機(jī)

兩輸入感知機(jī),w11 = -1, w22 = 1例如以下

a = hardlims(n) = hardlims([-1 1]p + b)

Hamming

Hamming網(wǎng)絡(luò)的目標(biāo)時判定哪個標(biāo)準(zhǔn)向量最接近輸入向量。

判定結(jié)果由遞歸層的輸出表示。

R為樣本空間維數(shù)

S為神經(jīng)元個數(shù)

---

• 前饋層

前饋層用于實現(xiàn)每一個標(biāo)準(zhǔn)模式和輸入模式之間的相關(guān)檢測或求內(nèi)積。

為了使得前饋層能夠完畢其功能，能夠用標(biāo)準(zhǔn)模式設(shè)置其權(quán)值矩陣的行，該權(quán)值矩陣用連接矩陣W1表示。

之所以稱該網(wǎng)絡(luò)為Hmming網(wǎng)，是由于在前饋層中具有最大輸出的神經(jīng)元正好相應(yīng)于輸入模式Hamming距離近期的標(biāo)準(zhǔn)模式。

• 遞歸層

該層的神經(jīng)元用前饋層的輸出進(jìn)行初始化，此輸出指出標(biāo)準(zhǔn)模式和輸入向量之間的關(guān)系。

描寫敘述競爭的等式為

a2(0) = a1 （初始條件） a2(t+1) = poslin(W2a2(t)) （迭代）

Hopfield網(wǎng)絡(luò)

這個網(wǎng)絡(luò)利用輸入向量對網(wǎng)絡(luò)中的神經(jīng)元進(jìn)行初始化，然后網(wǎng)絡(luò)不斷迭代直至收斂。

假設(shè)網(wǎng)絡(luò)執(zhí)行正確，那么終于的輸出結(jié)果將是一個標(biāo)準(zhǔn)的向量。

描寫敘述等式為

a(0) = p a(t + 1) = satlins(Wa(t) + b)

結(jié)束語

個人對三種網(wǎng)絡(luò)的理解例如以下

• 感知機(jī)是bp前饋網(wǎng)絡(luò)的一個單元。并不涉及到反饋。通過反饋機(jī)制能夠從數(shù)據(jù)中學(xué)習(xí)得到相關(guān)的參數(shù)。

  適合處理那些線性可分的問題。

• Hamming計算出已存儲的標(biāo)準(zhǔn)模式和輸入模式之間的測度距離，通過競爭決定哪一個神經(jīng)元表示的標(biāo)準(zhǔn)模式最接近于輸入模式。
• Hopfield主要用于聯(lián)想存儲中，其存儲的數(shù)據(jù)能由相關(guān)的輸入數(shù)據(jù)回顧出來。而無需用一個地址對其訪問。即讓數(shù)據(jù)收斂到我希望的值（聯(lián)想存儲），而無需實際的分配地址空間去存儲該值。

版權(quán)聲明：本文博主原創(chuàng)文章，博客，未經(jīng)同意不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的神经网络学习（一）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。