神经网络与应用

神经网络应用人工神经网络发展萌芽期阀值加权和模型(MP模型）Hebb学习律上世纪四十年代第一次高潮期电子线路模拟感知器大规模投入研究上世纪五六十年代沉寂期

异或运算不可表示

多层感知器学习规则不知上世纪八十年代初复兴期Hopfield网络BP神经网络…至今生物神经元神经元细胞体突起树突轴突生物神经元构成标准M-P模型图v1v4v3v2…vnθiwi1wi2wi3wi4winF(ui)ui标准M-P模型数学描述神经元状态Ui=∑Wij*Vj-θij神经元输出Vi=f（Ui）阶跃函数Vi=f（Ui）=1 Ui>0 0 Ui<=0 典型神经网络应用自适应谐振理论（ART）该模型主要包括ART1、ART2和ART3，它们可以对任意多和任意复杂的二维模式进行自组织、自稳定和大规模并行处理。ART1主要用于二值输入，ART2和ART3主要用于连续信号输入。该类模型主要用于模式识别（如雷达、声纳的信号识别）。缺点是对转换、失真及规模的变化较为敏感。雪崩模型（Avalanche）该类神经网络模型可以学习、记忆和重现随机复杂度的时空模式。主要用于连续的语音识别和教学机器人。缺点是调节困难。Hopfield神经网络模型它是由相同处理单元构成的单层自联想网络模型。主要用于从片段中进行图像和数据的完全恢复。典型神经网络应用对流传播模型（CPN）该类神经网络模型是一种在功能上作为统计最优化和概率密度函数分析的网络模型。主要用于图像压缩、统计分析、贷款应用打分。缺点是对任何类型的问题均需大量的处理单元和连接。反传神经网络模型（BP）该类神经网络模型是一多层映射神经网络。采用的是最小均方差的学习方式，是目前使用最广泛的神经网络模型之一。主要用于语言综合、语言识别、自适应控制等。缺点是它仅仅是有监督的一种学习方式，而且需要大量的输入、输出样本。神经网络分类网络拓扑结构反馈型网络前向型网络连续型网络离散型网络网络性能学习方式有监督型网络无监督型网络突触性质一阶线性网络高阶非线性网络误差反向传播网络（BP）调整王权值误差粮反向邀传播栽过程当实际倒上是旺通过帅计算形输出辽层的汇误差ek，然进后将睁其与库输出扫层激忙活函手数的艰一阶迁导数f2坦’相乘惑来求脖得δki由于喉隐含紫层中弓没有塌直接像给出勒目标肢矢量币，所析以利请用输吴出层牧的δki反向识传递逆来求沉出隐芳含层换权值挠的变序化量Δw河2ki。然盯后计煤算同样垄通过薯将ei与该仇层激政活函烧数的顶一阶孙导数f1研’相乘翻，而贸求得δij，以妈此求遍出前绪层权坡值的滥变化碑量Δw绕1ij如果慰前面沙还有肤隐含极层，江沿用墓上述槽同样凯方法碑依此萍类推拜，一绘直将肆输出霸误差ek逐层蚁的反领推算孕到第激一层威为止神经毛网络穿适用封场景神经孩网络滥的局颠限性勉和优辩势非典孝型解悲决方仆案神经睁网络搬与经各典计池算方垮法相错比并身非优屋越,只有锁当常坐规方虎法解茫决不蔽了或但效果织不佳搬时神任经网筋络方数法才厉能显窜示出母其优霉越性呆。尤消其对蚁问题侨的机恰理不旺甚了呢解或轨不能无用数吵学模膜型表势示的脱系统,如故末障诊矛断、仅特征踪蝶提取今和预第测等困问题,神经碑网络雷往往猫是最足有利柳的工悟具。2.海量偿数据圈处理神经疫网络戴对处微理大返量原困始数惕据而胖不能签用规奸则或及公式导描述杜的问予题,表现宗出极弃大的森灵活骨性和答自适殃应性帝。神经坝网络克工具穴包重量让级工离具Ma削tl烟abJo窃on颜e腊Ed严it江or构建重网络帆很方定便更新董滞后Jo交on贷e例子习丰富茄，提般供很声多种虚网络孟及工捕具支持尝云计单算En哗co据gFo京r产Ja早va神经婆网络袍工具喉包--镜J窑oo遇ne神经吸网络坡工具感包—狗En旷co院g愧Fo灿r情Ja观va意向寄度模芦型架车构图卖家买家买家数据论收集偏好芹信息行为架信息客户歇信息反馈挤信息网站模型店管理AN模N模型数据班预处伍理器训练啦器输出量处理营销御匹配意向弹度计抬算模型服训练意向抚度模努型应城用场芝景意向鬼度模削型后台庭接待妖系统访客精准懒营销捐探头浏览辟网站①②④计算壤意向鞠度访客瘦识别③模型挣优化WE沈B容IM接待恒人员聊天济数据迅反馈⑤意向多度数捞据模症型构造BP神经皆网络选择BP神经轮网络竖，BP神经掏网络恰被广县泛采读用，惯在大挠数据捧量处勿理上西具有托很好誉的性猾能构造托神经茧网