Press "Enter" to skip to content

学习:前馈神经网络综述

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

前言

 

神经网络诞生于人类对人脑和智能的追问,在一定程度上受到生物学的启发,期望使用一定的拓扑结构来模拟生物的神经系统,具有高度的复杂性和很强的主动学习能力。下图展示了目前已有数的十种神经网络模型,按照模型的拓扑结构主要分为前馈型、反馈型、随机型和竞争型 。

 

前馈神经网络简介

 

模仿人脑的工作机理建立起来的神经网络模型具备较强的非线性输入输出映射能力,将其应用于预测控制领域,即形成了神经网络预测控制。从本质上讲,神经网络预测控制还是预测控制,属于智能型预测控制的范畴,它将神经网络技术与预测控制相结合,弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、健壮性不强的缺陷。它可以处理非线性、多目标、约束条件等异常情况。神经网络凭借着良好的非线性问题处理能力,已经被众多学者广泛的应用于相关问题的预测之中。

 

前馈神经网络结构构成

 

前馈神经网络是神经网络模型中最常见的一种,各层神经元分层排列,每个神经 元只与前一层的神经元相连,接收前一层的输出并传递给下一层,各层之前没有反馈。 是目前各个领域应用最广泛、发展最迅速的人工神经网络之一 [39] 。常见的前馈神经网 络模型有 RBF 神经网络、BP 神经网络、感知器网络等。该类神经网络主要由三种节 点组成,包括输入层(input layer)、隐层(hide layer)、输出层(output layer)。

 

输入层:由信号源节点构成,仅起到数据信息的传递作用,对输入信息不做任何变换。

 

隐含层:隐含层神经元核函数(作用函数)是高斯函数,对输入信息进行空间映射的变换,其节点数及层数视实际情况需要而定。

 

输出层,对输入模式做出响应。输出层神经元的作用函数为线性函数,对隐含层神经元输出的信息进行线性加权后输出,作为整个神经网络的输出结果。

 

按照模型拓扑结构可以将前馈神经网络分为单层前馈神经网络与多层前馈神经网络,其拓扑结构对比如下图所示,各种网络详细介绍如下:

 

1.单层前馈神经网络:只包含一个输出层,输出层上的节点的值通过输入值乘以权重直接得到

 

2.多层前馈神经网络:由一个输入层、一个或多个隐含层、一个输出层组成的前馈神经网络。对于每一层的输入模式进行线性分类,由于多层的组合,最终可以实现对输入模型更复杂的分类。其拓扑结构如下:

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。