第一章 典型神经网络模型.htm

企业数字神经网络功能开发文章

      <P align=center>图1-3.神经元的兴奋过程电位变化 </P></TD></TR>
  <TR>
    <TD width="100%" height=308>
      <P>2．神经元的信息传递及阀值特性 
      <P>对神经细脑的研究结果表明：神经元的电脉冲几乎可以不衰减地沿着轴突传送到其它神经元去。</P>
      <P>由神经元传出的电脉冲信号通过轴突，首先到达轴突末梢，这时则使其中的囊泡产生变化从而释放神经递质，这种神经递质通过突触的间隙而进入到另一个神经元的树突中。树突上的受体能够接受神经递质从而去改变膜向离子的通透性．使膜外内离子浓度差产生变化；进而使电位产生变化。显然，信息就从一个神经元传送到另一个神经元中。</P>
      <P>当神经元接受来自其它神经元的信息时，膜电位在开始时是按时间连续渐渐变化的。当膜电位变化经超出一个定值时，才产生突变上升的脉冲，这个脉冲接着沿轴突进行传递。神经元这种膜电位高达一定阀值才产生脉冲传送的特性称阀值特性。</P>
      <P>这种阀值特性从图1—3中也可以看出。</P>
      <P>神经元的信息传递除了有阀值特性之外，还有两个特点。一个是单向性传递，即只能从前一级神经元的轴突末梢传向后一级神经元的树突或细胞体，不能反之。另一个是延时性传递．信息通过突触传递，通常会产生0.5—1ms的延时。</P>
      <P>3．神经元的信息综合特性</P>
      <P>神经元对来自其它神经元的信息有时空综合特性。</P>
      <P>在神经网络结构上，大量不同的神经元的轴突末梢可以到达同一个神经元的树突并形成大量突触。来源不同的突触所释放的神经递质都可以对同一个神经元的膜电位变化产生作用。因此，在树突上，神经元可以对不同来源的输入信息进行综合。这就是神经元对信息的空间综合特性。</P>
      <P>对于来自同一个突触的信息，神经元可以对于不同时间传人的信息进行综合。故神经元对信息有时间综合特性。</P>
      <P>4．神经元、突触的D/A、A/D特性</P>
      <P>从神经元轴突上传递的信息是等幅、恒宽、编码的离散电脉冲信号，故而是一个数字量。但在突触中神经递质的释放和树突中膜电位的变化是连续的。故而，这时说明突触有D/A功能。在神经元的树突膜电位高过一定阀值时，则又变成电脉冲方式由轴突传送出去。故而，这个过程说明神经元有A/D功能。</P>
      <P>很明显，信息通过一个神经元传递时，神经元对信息执行了D/A、A/D转换过程。</P>
      <P>从上面可知，神经元对信息的处理和传递有阀值，D/A、A/D和综合等一系列特性和功能。</P>
      <P>三、神经元的数学模型</P>
      <P>从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型如图1—4所示。 
      </P></TD></TR>
  <TR>
    <TD width="100%" height=11>
      <P align=center><IMG height=210 src="第一章 典型神经网络模型.files/4.1.ht8.gif" 
      width=587 border=0> </P></TD></TR>
  <TR>
    <TD width="100%" height=7>
      <P align=center>图1—4&nbsp;&nbsp;&nbsp;&nbsp; 神经元的数学模型 </P></TD></TR>
  <TR>
    <TD width="100%" height=11>
      <P>在图1—4中，X<SUB>1</SUB>，X<SUB>2</SUB>，……，X<SUB>n</SUB>是神经元的输入，即是来自前级n个神经元的轴突的信息A是i神经元的阎值；W<SUB>i1</SUB>，W<SUB>i2</SUB>……，W<SUB>in</SUB>分别是i神经元对X<SUB>1</SUB>，X<SUB>2</SUB>，……，X<SUB>n</SUB>的权系数，也即突触的传递效率；Y<SUB>i</SUB>是i神经元的输出；f[·]是激发函数，它决定i神经元受到输人X<SUB>1</SUB>，X<SUB>2</SUB>，……，X<SUB>n</SUB>的共同刺激达到阀值时以何种方式输出。
      <P>从图1—4的神经元模型，可以得到神经元的数学模型表达式：</P>
      <DIV align=center>
      <CENTER>
      <TABLE cellSpacing=0 cellPadding=0 width="80%" border=0>
        <TBODY>
        <TR>
          <TD width="66%"><IMG height=55 src="第一章 典型神经网络模型.files/4.1.ht6.gif" 
            width=192 border=0></TD>
          <TD width="34%">(1-1)</TD></TR></TBODY></TABLE></CENTER></DIV></TD></TR>
  <TR>
    <TD width="100%" height=4><IMG height=347 
      src="第一章 典型神经网络模型.files/4.1.ht1.gif" width=776 border=0> </TD></TR>
  <TR>
    <TD width="100%" height=13>
      <P align=center>图1-5.典型激发函数 </P></TD></TR>
  <TR>
    <TD width="100%" height=6>
      <P>对于激发函数f[·]有多种形式，其中最常见的有阶跃型、线性型和S型三种形式，这三种形式如图1—5所示。 
      <P>为了表达方便；令：</P>
      <DIV align=center>
      <CENTER>
      <TABLE cellSpacing=0 cellPadding=0 width="80%" border=0>
        <TBODY>
        <TR>
          <TD width="67%"><IMG height=43 src="第一章 典型神经网络模型.files/4.1.ht5.gif" 
            width=142 border=0></TD>
          <TD width="33%">(1-2)</TD></TR></TBODY></TABLE></CENTER></DIV></TD></TR>
  <TR>
    <TD width="100%" height=12>
      <P>则式(1-1)可写成下式： 
      <P>Y<SUB>i</SUB>=F[U<SUB>i</SUB>] ；&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 
      (1-3)</P>
      <P>显然，对于阶跃型激发涵数有：</P>
      <DIV align=center>
      <CENTER>
      <TABLE cellSpacing=0 cellPadding=0 width="80%" border=0>
        <TBODY>
        <TR>
          <TD width="67%"><IMG height=57 src="第一章 典型神经网络模型.files/4.1.ht6.gif" 
            width=226 border=0></TD>
          <TD width="33%">(1-4)</TD></TR></TBODY></TABLE></CENTER></DIV></TD></TR>
  <TR>
    <TD width="100%" height=27>
      <P>对于线性型激发函数，有： 
      <P>f(U<SUB>i</SUB>)=K<SUB>u</SUB><SUB>；&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 
      </SUB>(1-5)</P>
      <P>对于S型激发函数，有：</P>
      <DIV align=center>
      <CENTER>
      <TABLE cellSpacing=0 cellPadding=0 width="80%" border=0>
        <TBODY>
        <TR>
          <TD width="67%"><IMG height=49 src="第一章 典型神经网络模型.files/4.1.ht7.gif" 
            width=188 border=0></TD>
          <TD width="33%">(1-6)</TD></TR></TBODY></TABLE></CENTER></DIV></TD></TR>
  <TR>
    <TD width="100%" height=55>
      <P>对于阶跃型激发函数，它的输出是电位脉冲，故而这种激发函数的神经元称离散输出模型。 
      <P>对于线性激发函数，它的输出是随输入的激发总量成正比的；故这种神经元称线性连续型模型。</P>
      <P>对于用s型激发函数，它的输出是非线性的；故这种神经元称非线性连续型模型。 
      <P>上面所叙述的是最广泛应用而且人们最熟悉的神经元数学模型；也是历史最长的神经元模型。近若干年来，随着神经网络理论的发展，出现了不少新颖的神经元数学模型，这些模型包括逻辑神经元模型，模糊神经元模型等，并且渐渐也受到人们的关注和重视。 
      </P></TD></TR>
  <TR>
    <TD width="100%" height=1>
      <P align=right><A 
      href="http://www.jgchina.com/ednns/ednnsbk/ednns2.htm">上一页</A>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 
      <A href="http://www.jgchina.com/ednns/ednnsbk/4.1.2.htm">下一页</A> 
  </P></TD></TR></TBODY></TABLE>
<P>　</P></BODY></HTML>