人工神經網路 - 構建模組

ANN 的處理取決於以下三個構建模組：

在本章中，我們將詳細討論 ANN 的這三個構建模組。

網路拓撲結構

網路拓撲結構是指網路的排列方式，以及其節點和連線線。根據拓撲結構，ANN 可以分為以下幾種型別：

它是一個非遞迴網路，其處理單元/節點分層排列，每一層中的所有節點都與前一層的節點連線。連線具有不同的權重。沒有反饋迴路，這意味著訊號只能單向流動，從輸入到輸出。它可以分為以下兩種型別：

顧名思義，反饋網路具有反饋路徑，這意味著訊號可以透過迴路雙向流動。這使得它成為一個非線性動態系統，該系統會持續變化，直到達到平衡狀態。它可以分為以下幾種型別：

在人工神經網路中，學習是指修改指定網路中神經元之間連線權重的方法。ANN 中的學習可以分為三類：監督學習、無監督學習和強化學習。

顧名思義，這種型別的學習是在教師的監督下進行的。此學習過程是依賴性的。

在監督學習下訓練 ANN 期間，將輸入向量呈現給網路，網路將輸出一個輸出向量。將此輸出向量與所需的輸出向量進行比較。如果實際輸出與所需輸出向量之間存在差異，則會生成一個誤差訊號。根據此誤差訊號，調整權重，直到實際輸出與所需輸出匹配。

顧名思義，這種型別的學習是在沒有教師監督的情況下進行的。此學習過程是獨立的。

在無監督學習下訓練 ANN 期間，將相似型別的輸入向量組合成叢集。當應用新的輸入模式時，神經網路將給出輸出響應，指示輸入模式所屬的類別。

沒有來自環境的反饋，說明所需輸出是什麼以及它是否正確。因此，在這種型別的學習中，網路本身必須從輸入資料中發現模式和特徵，以及輸入資料與輸出之間的關係。

顧名思義，這種型別的學習用於增強或加強網路對某些評論資訊。此學習過程類似於監督學習，但是我們可能的資訊非常少。

在強化學習下訓練網路期間，網路會從環境中接收一些反饋。這使得它有點類似於監督學習。但是，此處獲得的反饋是評價性的，而不是指導性的，這意味著與監督學習不同，這裡沒有教師。在接收反饋後，網路會調整權重以在將來獲得更好的評論資訊。

它可以定義為對輸入施加的額外力量或努力以獲得精確的輸出。在 ANN 中，我們還可以對輸入應用啟用函式以獲得精確的輸出。以下是我們感興趣的一些啟用函式：

它也稱為恆等函式，因為它不執行任何輸入編輯。它可以定義為：

$$F(x)\:=\:x$$

它有兩種型別，如下所示：

二進位制 sigmoid 函式 - 此啟用函式執行 0 到 1 之間的輸入編輯。它是正向的。它始終是有界的，這意味著其輸出不能小於 0 且大於 1。它也是嚴格遞增的，這意味著輸入越多，輸出越高。它可以定義為

$$F(x)\:=\:sigm(x)\:=\:\frac{1}{1\:+\:exp(-x)}$$
雙極 sigmoid 函式 - 此啟用函式執行 -1 到 1 之間的輸入編輯。它可以是正的或負的。它始終是有界的，這意味著其輸出不能小於 -1 且大於 1。它也像 sigmoid 函式一樣嚴格遞增。它可以定義為

$$F(x)\:=\:sigm(x)\:=\:\frac{2}{1\:+\:exp(-x)}\:-\:1\:=\:\frac{1\:-\:exp(x)}{1\:+\:exp(x)}$$

列印頁面