《人工神经网络方法课件》由会员分享，可在线阅读，更多相关《人工神经网络方法课件（30页珍藏版）》请在金锄头文库上搜索。
1、人工神经网络方法 原理及应用,张倩倩、孙晶,人工神经网络方法,人工神经网络简介 应用实例长江三角洲地区城市体系的职能分类,人工神经网络，是一个具有高度非线性的超大规模连续时间动力系统，是由大量的处理单元(神经元)广泛互连而形成的网络。是人脑的某种抽象、简化与模拟。 人工神经网络的特点和优越性：具有自学习功能 ；具有联想存储功能 ；具有高速寻找优化解的能力。 在现代地理学中，人工神经网络方法特别适用于地理模式识别、地理过程模拟与预测、复杂地理系统的优化计算等问题的研究。,人工神经网络简介,神经元模型 神经网络的基本结构 人工神经网络的工作原理 人工神经网络的学习规则 神经网络模型的种类,神经元模
2、型 基于生物神经元构造，W.McCulloch和W.Pitts于1943年建立了一个模拟神经元功能的数学模型，这个模型被称为MP模型。,MP模型是一个多输出单输出的非线性元件。在MP模型中，f是二值函数，其输出值为0或1，分别代表神经元的抑制和兴奋状态，它可以用阶跃函数表示，即当wji0时，为兴奋性突触结合；当wji0为兴奋性连接时，若神经元1处于兴奋状态，则神经元2也处于兴奋状态；当w210为抑制性连接时，若神经元1处于兴奋状态，反而会使神经元2容易处于抑制状态。在（b）中，两个神经元处于相互结合性状态，若w12和w21均为正，则某一个神经元处于兴奋状态时，另一个神经元也倾向于兴奋状态，这称
3、为神经元之间的协调作用；若w12和w21均为均为负，则当某一个神经元处于兴奋状态时，另一神经元倾向于抑制状态，这称为神经元之间的竞争作用。协调和竞争是神经网络中并行信息处理的基本动态特性。,神经网络的基本结构 把大量的神经元通过一定的拓扑结构连接起来，就形成了神经网络。神经元之间的连接方式有相互结合型结构和层状结构两大类 。,图(a)所示的相互结合型神经网络系统中存在着反馈环。在神经元的学习过程中，进行误差反馈。反馈有正、负之分，正反馈使系统发生振荡，负反馈使系统稳定。在大脑神经系统中，由于负反馈的存在，使控制抑制的机构起着十分重要的作用。正反馈对大脑神经元的同步动作起着一定的作用。在图(b)
4、所示的层状神经网络结构中，信号依特定的方向传播。在生物体内，大脑皮质之间、感觉器官和大脑之间，就可以看作是一种分层结构，即功能模块级的分层。在大脑内确实存在各种机理不同的功能模块，这一点被大脑的解剖研究已经证明，而且每一个模块内部是由神经元组成的并行处理系统。,人工神经网络的工作原理,人工神经网络首先要以一定的学习准则进行学习，然后才能工作。网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。将模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。神经网络的工作过程主要由两个阶段组成，一个阶段是
5、工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。另一阶段是学习期(自适应期，或设计期)，此时各计算单元状态不变，各连接权值可修改(通过学习样本或其他方法)，前一阶段较快，各单元的状态亦称短期记忆(STM)，后一阶段慢的多，权及连接方式亦称长期记忆(LTM)。,人工神经网络的学习规则 神经网络的学习过程，一般是，首先设定初时权值，如果无先验的知识，初时权值可设定为随机值。接着输入样本数据进行学习，参照评价标准进行评判。如果达到要求，就停止学习，否则按照给定的学习法则调整权值，继续进行学习，直到取得满意的结果为止。 神经网络的学习规则，主要包括误差传播式学习、联想学习、竞争性（C
6、ompetitive）学习和基于知识的学习等。各种学习规则都是以Hebb规则为基础的。,误差传播式学习 感知器（Perceptron）是神经网络中的一种最基本的神经网络模型，它是F.Rosenblatt于1961年提出来的。设神经元的输入输出关系为是学习速率，di是教师信号或希望输出，i是实际输出yi与希望输出di之差，yi和xj取1或0的离散值。,联想式学习 根据空间或时间上接近的事物之间，性质上相似或相反的事物之间，以及存在因果关系的事物都可能在人的大脑中产生联想的原理，人们提出了许多无教师的联想式学习模式，其学习规则可以表示为 在联想式学习中，权值变化仅是输入与输出同时兴奋的结果。由于联
7、想发生在输入与输出之间，所以这种联想被称为异联想（Hetroassociation）。,竞争性学习 在竞争性学习时，网络各输出单元相互竞争，最后达到只有一个最强者激活，最常见的一种情况是输出神经元之间有侧向抑制性连接,这样，原来输出单元中若有一个单元较强，则它将获胜并抑制其它单元，最后只有此强者处于激活状态。最常见的竞争性学习规则可以写为,神经网络模型的种类 按照拓扑结构可以分为反馈神经网络模型和前向神经网络模型；按照性能可以分为连续型和离散型神经网络模型，确定型和随机型神经网络模型；按照学习方式可以分为有教师学习和无教师学习神经网络；按照连接突触性质可以分为一阶线性关联神经网络模型和高阶非线
8、性关联神经网络模型。常见的人工神经网络模型，主要包括感知器（Perceptron）神经网络、线性神经网络、前馈神经网络、径向基函数神经网络、自组织竞争神经网络、回归神经网络等。,应用实例：长江三角洲地区城市体系的职能分类,建立城市职能分类的指标体系 Kohonen网络的原理 建立城市分类的Kohonen网络模型 结果及讨论,建立城市职能分类的指标体系,1选择反映城市社会发展的指标 在人口与劳动力构成中选取总人口、非农业人口、从业人员作为衡量城市规模的指标；将在校小学生数、中等学校学生数、高等学校学生数三项合并为一项，即在校学生数，同时选取各类专业技术人员、公共图书馆图书藏量、医院卫生院床位数作
9、为反映社会文化教育的指标。,2 选择反映城市社会经济的指标 在城市国民生产总值综合指标中，选取国内生产总值、人均国民生产总值、第一产业、第二产业、第三产业、工业产值、农林牧渔总产值以及有关财政、金融、保险等17项指标。 3 选择反映城市基础设施的指标 从交通运输、邮电事业的指标中，选取了公路客运量、公路客运量、邮电业务总量3项指标。,表城市职能分类指标体系,Kohonen网络的原理 Kohonen网络也称为自组织特征映射网络(Self-Organizing Feature Map,简称SOM网络)，通过寻找最优权值矢量对输入模式集合进行分类。 1 Kohonen网络结构 由输入层和输出层（也称
10、竞争层）构成的两层网络，输入层用于接收输入模式，输出层的神经元一般按正则二维阵列排列，两层之间的各神经元实现双向权连接。,Kohonen网络结构,2 Kohonen网络的学习和工作规则 Kohonen网络的自组织学习过程可以描述为：对于每一个网络的输入，只调整一部分权值，使权向量更接近或更偏离输入矢量，这一调整过程，就是竞争学习，随着不断学习，所有权矢量都在输入矢量空间相互分离，形成了各自代表输入空间的一类模式，这就是Kohonen网络的特征自动识别的聚类功能 。,建立城市分类的Kohonen网络模型 1 指标数据的处理 在本模型中，采用标准差标准化，将原始数据转换为：,2 运用Matlab神
11、经网络工具箱建立Kohonen网络模型 将长江三角洲各城市的28项指标导入Kohonen网络中，作为网络的输入模式 ，因此输入层的神经元个数为28；而竞争层的神经元个数决定于需要分成几类，在不清楚分类数目的情况下，竞争层神经元个数从开始，然后依次加1，分别进行学习。 在Kohonen网络模型中，选择网络训练的迭代最大次数为1000次，初始的学习率为0.5。,3 Kohonen网络模型的分类结果,结果及讨论 从长江三角洲城市的分类模型结果来看，分类结果与实际情况大体一致，结果较为理想。该方法的最大的优点是避免了各层次权重带来的主观性。 运用Kohonen网络进行城市分类，存在很多需要改进的地方。比如，如果指标体系的合理选取和完善，加大学习样本以及输入模式，就可以加大网络的适应性；另外网络的学习算法也有待进一步改进，Kohonen网络是自适应学习的神经网络，其学习率随着时间减少，保证了全值的收敛性；但是这些学习率没有考虑输入模式和相应的聚类中心的逼近程度，如果引入代表这种逼近程度的模糊隶属度1来表示Kohonen网络的自适应学习的强度，将监督学习与非监督学习结合起来，分类的效果将更好。,Thank you!,
