《人工智能概论》 课件 第四章 人工神经网络基础

《人工智能概论》第四章人工神经网络基础目

录CONTENT01人工神经元02感知机多层感知机0304Hopfield神经网络05卷积神经网络人工神经网络的思想是通过仿真生物神经系统的微结构——人工神经元，在此基础上构建更加复杂的网络系统，以达到仿真生物神经系统的目的，最终使机器拥有类似人类的智能。本章将介绍人工神经网络的基本原理及应用。PART01生物神经元的构造生物神经元的构造如图所示。树突及其突触。上级神经元传来的冲动信号由树突上的突触负责接收，再经由树突传入细胞体。细胞体。由树突传入的冲动信号由细胞体处理，处理方式大致为：如果传入的冲动信号达到或超过一定的阈值，则神经元处于兴奋状态，否则神经元处于抑制状态。轴突及其突触。细胞体产生的冲动信号经由轴突传到轴突的突触，再经由各突触传到下级神经元。010203正常人约有1011个神经元，每个神经元通过其轴突与其他神经元有10～104个（平均103个）链接，整个大脑约共有1014个连接，从而构成极其复杂的神经网络。生物神经元主要由三部分构成，三个部分的功能如下：人工神经元模型1.

人工神经元的结构为了模拟生物神经元的信息处理机制，麦克洛奇（Warren

McCulloch）和皮兹（Walter

Pitts）于1943年提出了人工神经元模型（M-P模型），该模型可以看作是对生物神经元的简化和抽象。他们将树突及其突触简化并抽象为一组输入变量，将细胞体抽象为一个激活函数（也称为传递函数），轴突及其突触简化并抽象为一个输出变量y。结构上，该模型可用图表示。图中为输入变量的权重，b为偏置。人工神经元的结构示意图02人工神经元模型2.

人工神经元的推理功能上，该模型可以用式（4.1）表示：（4.1）为了简化书写，式（4.1）也可以写成向量形式：（4.2）式中， ， 。注意，此处偏置 已融合到权重向量 中，因此输入向量 的第一个元素恒为1。同时，为了简化叙述，如不特别说明，后面提到的权重都是指包含偏置的权重。这里还要特别介绍一下人工神经元的激活函数，或称为传递函数（Transfer

Function）。激活函数模拟了生物神经元的决策机制，即负责决定人工神经元处于兴奋还是处于抑制状态，是人工神经元最为关键的部分。激活函数有多种形式，这里我们先介绍最为简单、最为直接的一种——阶跃函数。02人工神经元模型如果用0代表抑制，1代表兴奋，则激活函数可以简单地设计为（4.3）该函数也称为单极型阶跃函数，或者称为二值硬限器（Binary

Hard

Limiter）。如果用-1代表抑制，1代表兴奋，则激活函数可以简单地设计为（4.4）02人工神经元模型该函数也称为对称型阶跃函数，或者称为双极硬限器（Symmetric

Hard

Limiter）。下图就是这两类函数的图像。（a）单极型阶跃函数图像（b）对称型阶跃函数图像阶跃函数的函数图像02人工神经元模型请你验证右图所示的人工神经元与“与”逻辑等价。其中，激活函数为式（4.3）所示的单极型阶跃函数。阶跃函数的函数图上图人工神经元的真值人工神经元的知识就包含在它的权值和偏置中。只要给人工神经元设置适当的权值和偏置，就可以让