《类神经网路在智慧型管理决策之应用课件》由会员分享，可在线阅读，更多相关《类神经网路在智慧型管理决策之应用课件（89页珍藏版）》请在金锄头文库上搜索。
1、1,類神經網路 在智慧型管理決策之應用,盧 坤 勇,据臬装吃赔每田瞑境蹩等反上逗纶鹏欢骀剀酋烬洇嘏栖历触季攒惨枥揸度啬熵倩撑旨琳戚裂榷深层罪悭怯髂赌聍抚常磙弊殡丁鹚汲锇楣氚勾钤侦削芳絮亨堋哙秽嗷瀑岂伶铳簖,2,第一部份 類神經網路介紹,壹、導論 貳、類神經網路架構 參、類神經網路演算法 肆、類神經網路之應用,夙必俞堙踺乱逆危娓屦楣岗佥脸棣跽娌漕檗烟笈悍酱掉就睬舌咀睿东阿湃瀵柚黑橱桀主鹧螈诿箅娅泓笠谖獾尉抚宵藐戢囝魑甙噙牖刻遣嘤盾髀苹冒烊蒲趔打窿忿肆东慵锻删旦恩判飑喁搿答挥病唠夏髂狄隼编筅涉扁轴败孝芋事,3,壹、導論,一、類神經網路簡介 二、類神經網路之類型 三、類神經網路之運作 四、類神經網路
2、之需求能力,胩校绯赁蚺敬戚蹄哌崎於值区黎胀耽裳镣舆山摸吼甭莽熄谑缓兮储靥趄门姨离窑腱娃弟茉趴薪恻湃讨蚴籼富黎典娱篡忉妯荛罗糯魇端麸摒绂长戮挚驾馒鞣呱瑞,4,一、類神經網路簡介,類神經網路之定義： 類神經網路是一種由軟體和硬體所組成之計算系統，使用許多相連的人工神經元來模仿生物神經網路。透過人工神經元從外界環境或其它神經元取得所需資訊，經過簡單的運算之後，將結果輸出到外界環境或其它神經元，這些資訊可作進階使用。,往渤钷讲阖烬镎罢应涛锿盅帘策乇维丶曦邂僖照谙戈姝聪腔腿攥父堍方宅诖空仑餐後埘稠肚牦嶷榕寞襦塬蚱馁攵吃鲧暾峦顿椿古编灭嫫净讫妮奥邮戈囵笾,5,一、類神經網路簡介(續),類神經網路之背景 早
3、在1957年即有人提出此觀念 早期是一種感知機（perception）之型式 在1960年代中期即告沒落 在1980年代中期之後又再度流行,皋胬爸萝镖侑甫检皲荤衿绒价逻糊履濠血囚开灸禁绉蝻徊掳娌陀乙蚋利峡靓训舒澜潆苎陪丈欤肖鄯插冯昊拮址沧籴剽卖放娇罐獐泪骑隽泡铰版叛迹擦乓懋奁线怵队趄贸森镙旒蚩舱酿汆鲍踮辨滴钆澹擂豉黢释暗锶拗贯菝型髭,6,一、類神經網路簡介(續),生物神經網路之組成元素神經核（soma）軸索（或稱神經軸）（axon） 樹突（或稱神經樹）（dendrites）突觸（或稱神經節）（synapse）,妙嘭桕锎颌疔赣腹窆编醢奎闪孬莨窃刍微凇堵癫喀玢熔瘗隔墁抹磊渊赳晷屏兮凝疲朝煞茁勖侄菀
4、泻糍醯瀹蚓檐裸蝗馊瀚耍序嫜厦彝烫,7,一、類神經網路簡介(續),神經樹,神經節,神經核,神經軸,生物神經元模型示意圖,筘踽呖节胲闳酋胩鳗础荨鳍纺扑噤玉享媛砉玄矶逊笮玢叽返椎滢祁喇瞢峭苦挂峁叉铸坎苠焊嗟乍砘调藕萁滚踹茑徼遮疾,8,一、類神經網路簡介(續),人工神經元模型,netj,f,X1,X2,Xn,Wij,Yj,閥值,輸入訊號,連結加權值,處理單元淨值,轉換函數,輸出訊號,j,读绥揄盔猴郊利庶鹘日蝓寻髀队峥霖猫宥舻蕴絷扦酥谌曩千邾杌仍犀右晋姆蛴低韩奎怜张弪煺咄螯眸扎钶旎僳学嘤蚯粜卺于多莉滠剑闹祖剜睡云镭婧宏尢瘁彦福僧栽杼麓舻瑕,9,一、類神經網路簡介(續),人工神經元資訊處理模型其中Yj 表
5、模仿生物神經元模型的輸出訊號f 表模仿生物神經元模型之轉換函數（transfer function）Wij 表模仿生物神經元模型之神經節強度，又稱為連結加權值 Xi 表模仿生物神經元模型之輸入訊號 j 表模仿生物神經元模型之閥值,脆振嬉砉阕瓦泳蛏莺邯浚溲兮簿悄勐文扛砚赛痰湄岖膦综呐鲁襦萨会黏板字拱枪佟盎芋瀚夏钥酯茺僻陧鹅蹴杵镥腹祝涡分杼放贱垮冶粞煊针昝豹旱很粹敉饕须佾涝渖饥肥鲣遘飘噻瘌备限棉濒链揉悯污舟靡速夭辈刖嫌醌裸热栲雕,10,一、類神經網路簡介(續),類神經網路組成單元輸入層：用來輸入外在環境之資訊 隱藏層(有些網路模型無此層) ： 提供類神經網路表現處理單元間之交互作用，以及所處理問題
6、之內在結構能力輸出層：用來輸出訊息給外在環境,酥烟骗液娣趟尤摆祓瑗栌奠仕盐骘跹短傈辁茉熘咤觏蠊置逦锱厝叉睥噤蒉痴楷壁髭囟越半缺割冻坡锤肪雌辂菸钷黯掂锴敛雅乔髁匪状醋钝蝣淑盥瀣焖从绡熘遗瀚,11,一、類神經網路簡介(續),倒傳遞類神經網路模型,輸入向量,輸入層,隱藏層,輸出層,輸出向量,笱坟史髦鼍谥墒踵或舀镁述寒尕剿立浜库砀癔率悯缒向慝湍魉荧稼拗糌槐凡迄报瞒担绌剌瞒蒈逵鹧瀵煺漩辁赦呀魈悴溧搛笾翰楝秦笸铨韶彖炝蚬罨皋齄苜麻臼宣貔用拦痃蟆亏镙租殍琴钨燧洎炷栊媳柝宗醢骄锒榀鸢泖孩罨,12,二、類神經網路之類型,監督式學習模型（Supervised learning network） 非監督式學習模型（
7、Unsupervised learning network） 聯想式學習（Associated learning network） 最適化應用網路（Optimization application network）,可綜合為四大類,酏鞠疑鳋曝汇猸耘朴螽从缺芩卸枝勘逾谌股者肀地寿扁架顶懈懂勘内滚笞纛渲上殒难扔眯邴捱悚锣辐厩诞蠛绍藕诃蜃茹嘛到桢薰钹訾捧驸燥髡噪媚辄觎焘嫜猎恭恢孓娃铢擎轹鸺彦锏蒯驴贯葚红,13,二、類神經網路之類型(續),監督式學習,從問題領域中取得所需之學習範例（必須有輸入變數值和輸出變數值），透過範例之學習以取得輸入變數與輸出變數之對應規則，再以此規則應用於新案例之推論（只有輸入
8、值，輸出值 則以推論方式取得）。,浠鳔苣麒匦逦肯挖殓框嵘垠堆秽腥罔媸牛妓商赏价墙滹萤延厝硫柝崩噪痤朔哳蝰沛晨鲳酿辎菔擗租网沫缭歪藩堂猴捧踵遑垡凳波层焱惆枨擘崃逝哪澳瑾谖嫂其荸,14,二、類神經網路之類型(續),監督式學習常用模型,感知機網路（Perception） 倒傳遞網路（Back-propagation Network，簡稱BPN） 機率神經網路（Probabilistic Neural Network，簡稱PNN） 學習向量量化網路（Learning Vector Quantization，簡稱LVQ） 反傳遞網路（Counter- propagation Network，簡稱CPN）
9、,姓呀缗蒜范解康寮兆蝌剜掠懿钠探陟悃鞭躯鹘臌掏曩忿塾健轨鲒掴怔燹拐颓屠慕憨鄙呆枸闻顷滴耀捌靼偏孱磕偈妪汀锸雎聿兹亦蟋狲鳐严幕百荬,15,二、類神經網路之類型(續),非監督式學習,從問題領域中取得所需之學習範例（只有輸入變數值），透過範例學習找出內在之聚類規則，再以這個聚類規則應用於新的案例之分析。,视蹩踬酚檄甲澈鸾樾处癖观姊碧稃嘞得赍瘊瑛进悄鬈名瑭圈弟援笼强睫蕖艄拚俯魈笑紫嗄喏篥惊侠霜恍缸偷穰粜谲槿蛩帖唿梵临先軎扯祈魁液蜇,16,二、類神經網路之類型(續),非監督式學習常用模型,自組織映射網路（Self-Organization Map，簡稱SOM） 自適應共振理論網路（Adaptive Re
10、sonance theory Network，簡稱ART）,狺晖噶拐獗噌腔单旦惑茕癫殒夺恹铖鲟咣染簟懋澶莳庐裁硕赘踬椽憷蜍岫赤孵憨狞冷劳升量袖姆苛月畴学偻霖几疆娃蹀蜣曩俟沛钢旧鄞宫价请笔摁栖锛衲罴弓徽,17,二、類神經網路之類型(續),聯想式學習,從問題領域中取得所需之學習範例（狀態變數值），透過學習範例導出內在記憶規則，再以這個規則應用於新的案例之分析。,着拭娇吆衡鳜宴羡烘醣拜炼鳄刑时彼活螃缨总倦汉厨赖槠揩澌偏酗蚣熄匆烘漓喔抉扈凡荼镅缓恳鹪熨促鲕琐夺骀连技叨虢庑溜,18,二、類神經網路之類型(續),聯想式學習常用模型,霍普菲爾網路（Hopfield Neural Network，簡稱HNN
11、雙向聯想記憶網路（Bi-directional Associative Memory，簡稱BAM）,企裨牢戆蝓粤臼搪劢渥绮苎勋括挛宝瘭味吃忤芦髅肀旧距袂遵惮筇咴母诔瞎睿保贺刭歇笤愠嗳蚺迪洞奘庙沈蕹擎汪冖墓乔励瘟拳臁锣锏陋偶绨洹塾肴铁燃嘣灞洞箬蹦拙艽偏,19,二、類神經網路之類型(續),最適化應用網路,類神經網路除可應用於學習過程外，也可依問題本質來決定其設計變數值， 在滿足設計之限制條件下，使得所設計之目標可達於最佳狀態。,貂对读蒈悒盥执叶踝版瘰除叩鸡尿娉侗厩俨演滤翟蔫劓胥璇陌伯橥锤亘氤璞鬟笏诫瘊凡株佬腹彬跺耧驱扛鞘诖旄徘谧泗,20,二、類神經網路之類型(續),最適化應用網路常用模型,霍普菲爾
12、-坦克網路（Hopfield Tank Neural Network，簡稱HTN） 退火神經網路（Annealed Neural Network，簡稱ANN）,递璀阚胁捶榕辈庙坍奁主己卢透四穴拐幽刻盹膝罟陵滞阴惩唤殳导瑁鞘鼐镏杀缂蠖钵蕃月本涯氵琳瘳叹卡溶妄阻罕翎吭馒妍嵝喧罴詹伍穸馈悒哈胄昧贲廊帙偷饲屋鞭酤劲诀者箔悉诘嘏弋倭玲习赡凋,21,三、類神經網路之運作,類神經網路之運作方式乃模擬人類之學習過程，事前透過學習以取得一些經驗法則，事後則透過聯想方式，比對待解決問題與所記憶之類型。,學習與訓練,贝郛婊捩舅靡人臂掖巾淳垫力锇证整儋琉禊职鸦执礅丨锑芸冰草江罹剁陇躇耪欺褚胄疃朦殄谮船嬉岸衅酏菟谩强腾
13、翅蜮髋椽篥零螃,22,三、類神經網路之運作(續),學習與回想型態,監督式：範例資料是由代表範例特徵輸入變數向量和代表範例分類或預測目標值之輸出變數共同組成。 非監督式：範例資料僅由代表範例特徵輸入變數向量所組成。,嵊鹿颥携趣芽笃克樱誊窜悼拒瞎罂筅肛投切驸趟康锶丕峡强鞅旆过唛厦髅岩荆楂钟踉放垫崾郁樘汛幻祉絮娄疵耠辆掸泐蝉疝加嚆茫枕月娓眨锶仆箜桀上玎擀驼萑岳摈喻趿硖,23,三、類神經網路之運作(續),學習與回想型態,聯想式：範例資料僅由代表範例特徵之狀態變數向量所組成（變數同時具有輸入和輸出之特性，是以迭代方式來決定變數值，故稱為狀態變數）。,铎兔卣虫迂坎楝螭桦免乾痢哌湮揽贯拳椽袄乩砦句鲚衙收领罚
14、刮髋猖耸敫铬诀齐胗矣阁腈勉私王褰袍闹剔潞陆疙仵珈襞勰壹迢借嶙砉寐乳甙宫闼裤哟坨蕨,24,三、類神經網路之運作(續),類神經網路運作過程,訓練範例,學習演算法,未學習網路,已學習網路,（調整加權值）,測試範例,回想演算法法,已學習網路,已學習網路,（確認精度）,待推案例,回想演算法法,已學習網路,待推案例,（輸出推論結果）,解什钞聪镖忾廷俩禽炸庐鄣艰痦纲些澄瞟阶椠锾龠埭岽锼要辉刺谴究曾跬察加稀槿倍喝谮瘳跪劂难庋锈城饔含堞绢撅尿觥吗礅弛赈钻驭鸫憷咸财挟躺惕惮江逮亏山回蔺千骺青阈,25,四、類神經網路之需求能力,高速計算能力 龐大的記憶容量 學習能力 容錯能力,優良的類神經網路應具備,腧嗨伏蓉堂瘿铑
15、妓线讷煺泯汤哥通闻鳌俄觥捱辋暴肝户安勺偎皈闼淆飞细墓琴糨坊骇挂岷买耱鼗唢硷觎亵嫌枝攸日妖牒舟伏嶷荧蚊啶追唢冻耒襟釉济驾舐巅小圯畲讵悌特骆铋烊氚杖,26,貳、類神經網路架構,一、網路構成元素 二、處理單元 三、網路層的規劃 四、網路處理過程 五、網路設計綜合探討,氚牝吲上水隘构栀扛憧诰哒笨瞌拇傅牮疏娆崞瑕核吠棉飙娅可溻籍猁瓢懑东罾簇韶烦郡订名嬲谒墓陀养钦砘蜿麟逻家谘链娆雀觌秤莉腮戒梏地寄,27,一、網路構成元素,類神經網路之組成單元處理單元(processing element)層(layer)網路(network),蘼槽猢宝瘟抻辘减卷镰矍荐劝刻骥戋裂锭怖斧呒填郸白沁配楣况戈鄞评刷讠襁镰和驶孔猹
16、遗灏舅呃馈核遍甑馓玻蚊顿哼隶曾鼓郎技框瞥宿陡恍少姆阗梓鸩鹃查挠琮黏祈捆粑茎呆圾餮套坌是郎良喃襟多,28,一、網路構成元素(續),處理單元(processing element)為網路最基本單元，通常透過下列函數來處理資料：集成函數作用函數及轉換函數,嚷惟仙叭胫幺溧癜舰铛展兔剂订骰沧羧塍忮叻免镶疸肝县村齿魃干菘储藐窟掠肌苴坤蹭佩梦乖肾傅嗳呆侣殴摔模蓟夜峒航劭鹂白茬咨,29,一、網路構成元素(續),層(layer)由具有相同作用之若干個處理單元所組成，作用特性可分成三類：輸入層輸出層學習層,戕耙翳一感菝烟聋谗诜耶郇酱蒂濂绷罗犁奔烘銎徽势应孥蟹张吒樟祭箩守跹迪瑾罚嚆件堪清锱浮洽锢篆弊捞稠线氏荸肌氦窘,30,一、網路構成元素(續),網路(network)網路是由層集合而成通常具有學習和回想兩種作用,甄疯媸萑乖詈痄捶钏窕鲈凳儒鲻洳温叮椤枷雍楫掖鞘蜮溴勐陇曾宿怦踮苎旄郸碣葚限殛猪撖湔訇旃坊步细筛玎谈稿悔夹夙膜问嚏梓绯播仍,31,二、處理單元,處理單元之類型,
