《人机工程学考试知识点》由会员分享，可在线阅读，更多相关《人机工程学考试知识点（1页珍藏版）》请在金锄头文库上搜索。
1、思维方式：逻辑思维、形象思维、灵感思维。定义：ANN是一种旨在模仿人脑结构及其功能的信息处理系统。 基本特征：结构特征（并行处理、分布式存储与容错性），能力特征（自学习、自组织（在 外部刺激下按一定规则调整神经元之间的突触链接，逐渐构建神经网络）与自适应性（一个 系统能改变自身的性能以适应环境变化的能力） 基本功能：联想记忆、非线性映射、分类与识别、优化计算、知识处理。 神经元结构：细胞体、树突、轴突、突触。 传递过程：神经电脉冲、神经递质产生、神经递质释放、递质与受体结合、电生理反应。 神经元假设：每个神经元都是一个多输入单输出的信息处理单元；神经元输入分兴奋性输入 和抑制性输入；神经元具有
2、空间整合特性和阈值特性；神经元输入与输出间有固定的时滞， 主要取决于突触延搁；忽略时间整合作用和不应期；神经元本身是非时变的，及其突触时延 和突触强度均为常数。学习规则：改变权值的规则。 网络运行分为训练和工作。 程序实现：初始化；输入训练样本对，计算各层输出；计算网络输出误差；计算各层误差信 号；调整各层权值；检查是否对所有样本完成一次轮训；检查网络总误差是否达到精度要求。BP主要能力：非线性能力（n维输入m维输出）；泛化能力；容错能力。局限性：存在平坦区域（8 0二（d -o ）o （1 -o ）；存在多个极小点。缺陷：易形成局部k k k k k 最小而得不到全局最优；训练次数多，使得学
3、习效率低；隐节点的选取缺乏理论指导；训练 时学习新样本有遗忘旧样本的趋势。改进：增加动量项，避免振荡；自适应调节学习率；引 入陡度因子，压缩净输入，使输出原理饱和区。 输入量选择基本原则：选择那些对输出影响巨大并能提取的量；且输入量之间相关性小。 归一化： 1 网络的各个输入数据有着不同的物理意义与量纲，归一化能让网络训练从一开始 就让输入量处在同等地位 2 由于 bp 网络采用 sigmoid 转移函数，归一化可以防止净输入的 绝对值过大，而使神经元输出饱和3 对输出进行归一化，可以避免在总误差中份额小但数值 大的输出，对结果造成影响。初始权值设计方法：使初始权值足够小；初始值为-1+1 的
4、权值数相等。 原则：原理饱和区 模式类：具有某些共同特征的的模式的集合。模式：某些感兴趣的客体的定量描述。分类： 在导师信号的指导下，将待识别的输入模式分配到各自的模式类。 聚合：无导师的分类， 将相似的规划为一类。竞争学习规则：向量归一化；寻找获胜神经元；网络输出与权值调整。 死节点：在训练过程中，某个节点从未获胜过且原理其他获胜节点，他们的权向量从未调整。 权值初始化：从训练集随机抽出输入样本作为初始值；计算出全体样本的中心向量，在此基 础上叠加小随机数。向量化思路：将竞争学习网络与有监督算法结合，通过教师信号对输入样本的分类进行规定， 从而克服了自组织网络采用无监督学习算法带来的缺乏分类
5、信息的弱点。思路：数据压缩LVQ步骤：初始化；输入样本向量；寻找获胜神经元；根据分类是否正确，按不同规则调整 获胜权值；更新学习速率。吸引子：网络达到稳定时的状态X。cover 定理：将复杂的模式分类问题非线性地投射到高维空间比投射到低位空间更可能是线 性可分的。RBF 聚类算法：初始化；计算输入空间各样本点与聚类中心点的欧氏距离；相似匹配；更新 各类的聚类中心；将k值加一，重复过程直到聚类中心的改变小于要求值。RBF 与 BP 区别： BRF 只有一个隐层； BP 网络的隐层与输出层其神经元模型是一样的； RBF 网络的隐层是非线性的，输出层是线性的；RBF网络的基函数计算的是输入向量和中心的欧 氏距离，而BP网络隐单元的激励函数计算的是输入单元和连接权值间的内积；RBF网络使 用局部指数衰减的非线性函数对非线性输入输出映射进行局部逼近， BP 网络则是对非线性 映射的全局逼近。SVM工作原理:SVM的主要思想是建立一个最优决策超平面，使得平面两侧的距离最大化， 通过cover定理可知，只要变换是非线性的且特征空间的维数足够高，使得在特征空间中模 式以较高的概率为可分的，因此，应用 SVM 在特征空间中建立分类超平面，即可解决非线 性可分的模式识别问题。
