📄 8 ． 2 从人脑神经元到人工神经元.htm
字号:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<!-- saved from url=(0071)http://61.142.127.149/Resource/GZ/GZHX/HXBL/TZRNJSJ/20000040ZW_0058.htm -->
<HTML><HEAD><TITLE>8 ． 2 从人脑神经元到人工神经元</TITLE><!-- META开始 -->
<META content=clsR_PAGE name=DocAppName>
<META content="" name=DocAuthor>
<META content="" name=Create>
<META content="8 ． 2 从人脑神经元到人工神经元" name=DocComments>
<META content=0 name=DocCompany>
<META content="" name=DocKeywords>
<META content=学科资源栏目:学科教学资源:高中化学:化学博览:挑战人脑——计算机在化学中的应用 name=DocSubject>
<META content=01-3-2 name=DocCreateTm>
<META content="" name=DocLastAuthor><!-- META结束 -->
<META http-equiv=Content-Type content="text/html; charset=GB2312">
<META content="网页 图书" name=MS.Category>
<STYLE></STYLE>
<!-- STYLE开始 --><LINK href="8 ． 2 从人脑神经元到人工神经元.files/joy.css" rel=stylesheet><!-- STYLE结束 -->
<META content="MSHTML 6.00.2800.1106" name=GENERATOR></HEAD>
<BODY><!-- 头部开始 --><IFRAME src="8 ． 2 从人脑神经元到人工神经元.files/head.htm" frameBorder=0
width="100%" scrolling=no height=86></IFRAME><!-- 头部结束 --><!-- 导航条开始 -->
<TABLE cellSpacing=0 cols=2 cellPadding=0 width="100%" border=0>
<TBODY>
<TR>
<TD class=big bgColor=#a0d060 colSpan=2 height=25> <A
href="http://61.142.127.149/">首页</A>>><A
href="http://61.142.127.149/Special/">学科资源栏目</A>>><A
href="http://61.142.127.149/Special/Subject/">学科教学资源</A>>><A
href="http://61.142.127.149/Special/Subject/GZHX/">高中化学</A>>><A
href="http://61.142.127.149/Special/Subject/GZHX/HXTS/">化学博览</A>>><A
href="http://61.142.127.149/Special/Subject/GZHX/HXTS/TZRNJSJ/">挑战人脑——计算机在化学中的应用</A></TD></TR>
<TR>
<TD colSpan=2 height=15></TD></TR></TBODY></TABLE><!-- 导航条结束 --><!-- 属性栏开始 -->
<TABLE cellSpacing=0 cols=2 cellPadding=2 width="100%" border=0>
<TBODY>
<TR vAlign=center bgColor=#dbedc2>
<TD class=most align=left width="70%"> <IMG height=9
src="8 ． 2 从人脑神经元到人工神经元.files/circ.gif" width=9 border=0> 8 ． 2
从人脑神经元到人工神经元</TD>
<TD align=right width="30%"><A
href="http://61.142.127.149/asp/favorites/addtofav.asp?rid=530710&url="
target=_blank>加到收藏夹</A> <A
href="http://61.142.127.149/asp/rescat/resref.asp?rid=530710&url="
target=_blank>添加相关资源</A></TD></TR>
<TR>
<TD class=space> </TD></TR></TBODY></TABLE><!-- 属性栏结束 --><!-- 属性列表开始 --><!-- 属性列表结束 --><B><FONT
style="FONT-SIZE: 10.5pt"><BR></FONT></B>
<P align=center><B><FONT lang=EN-US>8</FONT></B><B><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>2 </FONT></B><B><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">从人脑神经元到人工神经元</FONT><FONT
lang=EN-US></FONT></B></P>
<P align=center><B><FONT lang=EN-US><FONT style="mso-spacerun: yes">
</FONT></FONT></B></P>
<P style="TEXT-INDENT: 2em; TEXT-ALIGN: justify"><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">人工神经元的研究源于人脑神经元学说。经典的神经元数学模型是心理学家</FONT><FONT
lang=EN-US>W</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>MucCulloch</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">和数理逻辑学家</FONT><FONT
lang=EN-US>W</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>Pitts1943</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">年首先提出来的。</FONT><FONT
lang=EN-US>MuCulloch-Pitts </FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">的经典神经元模型如图</FONT><FONT
lang=EN-US>8</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>2</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">所示。</FONT></P>
<P align=center><FONT lang=EN-US><IMG height=138
src="8 ． 2 从人脑神经元到人工神经元.files/20000040ZW_0058_1.gif"
width=225></FONT></FONT></P>
<P style="TEXT-INDENT: 2em"><FONT lang=EN-US></FONT> </P>
<P style="TEXT-INDENT: 2em"><FONT lang=EN-US>x</FONT><SUB><FONT
size=2>i</FONT></SUB><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">（</FONT><FONT
lang=EN-US>i=1</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">，</FONT><FONT
lang=EN-US>2</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">，…，</FONT><FONT
lang=EN-US>n</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">）代表输入到神经元的第</FONT><FONT
lang=EN-US>i</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">个信号，</FONT><FONT
lang=EN-US>w</FONT><SUB><FONT size=2>i</FONT></SUB><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">为输入的第</FONT><FONT
lang=EN-US>i</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">个信号对该神经元作用的权系数，相当于脑神经元的突触强度，</FONT><FONT
lang=EN-US>y</FONT><SUB><FONT size=2>i</FONT></SUB><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">是该神经元的输出。当总输入大于神经元的阈值时，神经元处于兴奋状态，反之，则表示神经元处于抑制状态。采用不同的权系数</FONT><FONT
lang=EN-US>w</FONT><SUB><FONT size=2>ij</FONT></SUB><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">时，神经元对于相同的输入信号会产生不同的输出。因此，当人工神经网络中的各个神经元的权重改变时，可使人工神经网络获得不同的输入</FONT><FONT
lang=EN-US>-</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">输出的映射关系。与脑神经元的情况相类似，人工神经网络中信息处理的基本单元——网络节点，相当于脑神经中的神经元，是多输入单输出，是人工神经网络研究的基础。人工神经网络是一类由大量信息处理的基本单元相互连接而成的，相当于脑神经系统，它不是生物系统的逼真描述，只是脑神经系统的某种模仿、简化和抽象，反映了人脑功能的若干基本特性，是一类能模仿人脑处理信息，具有联想、学习等功能的非线性或线性的思维模拟系统。</FONT></P>
<P style="TEXT-INDENT: 2em"><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">人工神经网络有前向网络和反馈网络。前向网络是一种单向多层结构网络，如图</FONT><FONT
lang=EN-US>8</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>3</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">所示。网络每一层都包含若干个神经元，同一层中的神经元之间没有相互的联系，每一层神经元的状态只影响下一层神经元的状态，输入信号仅能逐层向前传递，不存在有任何信号的反馈。输入层用来进行输入信号</FONT><FONT
lang=EN-US>x</FONT><SUB><FONT size=2>i</FONT></SUB><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">的分配和传递，不具有运算功能。隐含层由若干神经元构成，具有运算功能。输出层的神经元也具有运算功能，输出人工神经网络的最终计算结果。前向网络是用已知信息训练网络，从输入层经隐含层逐层处理，传向输出层，如果输出层不能得到期望的输出，则转入反向传播，将误差信号沿着原来的连接通路返回，通过不断调节各神经元之间的连接权值，使获得的实际输出与所期望的输出之间的误差达到最小。这种算法称为误差反向传播算法，简称</FONT><FONT
lang=EN-US>Bp</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">算法，其实质就是求误差函数的极小值，使权值沿误差函数的负梯度方向改变。神经网络经训练好后，再用已训练好的神经网络求解未知体系的问题，这是目前常用的一种神经网络。</FONT></P>
<P align=center><FONT lang=EN-US><IMG height=197
src="8 ． 2 从人脑神经元到人工神经元.files/20000040ZW_0058_2.gif" width=165></FONT></P>
<P style="TEXT-INDENT: 2em"><FONT lang=EN-US>1982</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">年美国加州理工学院生物物理学家霍夫菲尔德（</FONT><FONT
lang=EN-US>L</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>Hopfield</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">）提出了</FONT><FONT
lang=EN-US>Hopfield</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">反馈网络，其连接形式如图</FONT><FONT
lang=EN-US>8</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">．</FONT><FONT
lang=EN-US>4</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">所示。</FONT></P>
<P align=center><FONT lang=EN-US><IMG height=205
src="8 ． 2 从人脑神经元到人工神经元.files/20000040ZW_0058_3.gif" width=199></FONT></P>
<P style="TEXT-INDENT: 2em"><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">反馈网络是将神经元的输出反馈回其他神经元输入端，与最初的输入信号整合后，作为新的输入信号，重新进入</FONT><FONT
lang=EN-US>Hopfield</FONT><FONT
style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">网络，进行运算，至达到稳定态能量函数的能量极小点时停止，使神经网络处于稳定的输出状态。</FONT></P><B><FONT
style="FONT-SIZE: 10.5pt"><BR></FONT></B>
<P style="TEXT-INDENT: 2em"><FONT lang=EN-US></FONT> </P><!-- 相关资源栏开始 -->
<TABLE class=big cellSpacing=0 cols=1 cellPadding=2 width="100%" border=0>
<TBODY>
<TR>
<TD class=space> </TD></TR>
<TR bgColor=#dbedc2>
<TD vAlign=center align=left weidth="70%"> <IMG height=9
src="8 ． 2 从人脑神经元到人工神经元.files/square.gif" width=9 border=0> 相关资源</TD>
<TD align=right width="30%"><A
href="http://61.142.127.149/asp/favorites/addtofav.asp?rid=530710&url"
target=_blank>加到收藏夹</A> <A
href="http://61.142.127.149/asp/rescat/resref.asp?rid=530710&url"
target=_blank>添加相关资源</A></TD></TR></TBODY></TABLE><!-- 相关资源栏结束 --><!-- 资源列表开始 -->
<TABLE cellSpacing=1 cols=2 cellPadding=0 width="100%" border=0>
<TBODY>
<TR>
<TD width=8> </TD>
<TD>
<UL></UL></TD></TR></TBODY></TABLE><!-- 资源列表结束 --><!-- 尾部开始 --><IFRAME
src="8 ． 2 从人脑神经元到人工神经元.files/bottom.htm" frameBorder=0 width="100%"
scrolling=no height=160></IFRAME><!-- 尾部结束 --></BODY></HTML>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -