人工神經網路的設計問題有哪些？

人工神經網路是一種基於生物神經網路功能的系統。它是生物神經系統的模擬。人工神經網路的特點是具有多種結構，需要多種演算法方法，但無論系統多麼複雜，神經網路都很容易理解。

這些網路位於主管工具箱中特定訊號處理科學之間。該領域是高度跨學科的，但這種方法將視野限制在工程角度。

在工程領域，神經網路產生兩種基本功能，即模式分類器和非線性自適應濾波器。人工神經網路是動態的，它提供了一個非線性系統，該系統可以從資料中學習執行函式（輸入/輸出對映）。自適應表示系統引數在執行期間發生變化，通常稱為訓練階段。

在訓練階段之後，人工神經網路的引數被固定，並且系統開始解決手頭的問題（測試階段）。人工神經網路是透過系統化的逐步程式生成的，以提高效能測試或遵循某些確定的內部約束，這通常被描述為學習規則。

必須考慮以下設計問題：

必須確定輸入層中的多個節點。可以為每個數學或二進位制輸入變數建立一個輸入節點。如果輸入變數是分類變數，則可以為每個分類值建立一個節點，或者使用 [log₂k] 個輸入節點對 k 進制變量進行加密。

必須建立輸出層中的多個節點。對於一個兩類問題，只需要一個輸出節點就足夠了。對於一個 k 類問題，有 k 個輸出節點。

應選擇網路拓撲結構，例如隱藏層的數量和隱藏節點，以及前饋或遞迴網路結構。目標函式描述基於連線的權重、多個隱藏節點和隱藏層、節點中的偏差以及啟用函式的型別。發現正確的拓撲結構並非易事。

一種方法是從具有足夠多節點和隱藏層的全連線網路開始，然後用更少的節點重複模型構建結構。這種方法可以適中。或者，可以刪除一些節點並重復模型評估過程以選擇正確的模型複雜度，而不是重複模型構建結構。

應初始化權重和偏差。隨機賦值通常就足夠了。

必須刪除具有缺失值的訓練例項或使用最可能的值對其進行恢復。

Ginni

更新於： 2022年2月11日

3K+ 瀏覽量

開啟您的 職業生涯

透過完成課程獲得認證

開始學習