1.人工神经元模型
神经元信息处理过程的简化概况：
1.每个神经元都是一个多输入单输出的信息处理单元
2.神经元输入分为兴奋性输入和抑制性输入两种类型(即有正负)
3.神经元具有空间整合性和阈值特性
4.神经元输入与输出间有固定的时滞，主要取决于突触延搁
5.忽略时间整合作用和不应期
6.神经元本身是非时变的即突触时延和突触强度是常数
神经元的数学模型
令\(x_i(t)\)表示t时刻神经元j接受的来自神经元i的输入信息，\(o_j(t)\)表示t时刻神经元j的输出信息，则
\(o_j(t)=f\{[\sum_{i+1}^{n}w_{ij}x_i(t-\tau_{ij})]-T_j\}\)
其中\(\tau_{ij}\)输入输出间的突触时延
\(T_j\)神经元j的阈值
\(w_{ij}\)神经元i到j的突触连接系数或权重值
输入总和常常称为神经元在t时刻的净输入
\(net'_j(t)=\sum_{i=1}^{n}w_{ij}x_{i}(t)\)
\(net'_j(t)=W_j^TX\)
\(W_j=(w_{1j},w_{2j},...,w_{nj})^T\)
\(X=(x_1,x_2,...,x_n)^T\)
令\(x_0=-1,w_{0j}=T_j\)有\(net'_j-T_j=net_j=\sum_{i=0}^nw_{ij}x{i}=W^T_jX\)
综上，神经元模型可简化为\(o_j=f(net_j)=f(W_j^TX)\)
2.人工神经网络模型
1.Hebb学习
是一种纯前馈、无监督学习
学习信号简单地等于神经元的输出
\(r=f(W_j^TX)\)
权向量调整公式
\(\Delta W_j=\eta f(W_j^TX)X\)
\(\Delta w_{ij}=\eta f(W_j^TX)X=\eta o_jx_i\)
Hebb学习规则要求预先设置权饱和值 防止输入输出无约束增长
此外，还要求权值初始化对\(W_j(0)\)赋予零附近的小随机数
例如T=0，\(\eta=1,X^1=(1,-2,1.5,0)^T,X^2=(1,-0.5,-2,-1.5)^T,X^3=(0,1,-1,1.5)^T,W(0)=(1,-1,0,0.5)\)转移函数为sgn函数
import torch as t
def sgn(x):
if x[0]>=0: return 1
else: return -1
w_0 = t.Tensor([[1,-1,0,0.5]])
eta = 1
x = []
x.append(t.Tensor([[1],[-2],[1.5],[0]]))
x.append(t.Tensor([[1],[-0.5],[-2],[-1.5]]))
x.append(t.Tensor([[0],[1],[-1],[1.5]]))
for i in x:
net = w_0.mm(i)
print(net)
w_0 = w_0+eta*sgn(net)*i.t()
print(w_0)tensor([[3.]])
tensor([[ 2.0000, -3.0000, 1.5000, 0.5000]])
tensor([[-0.2500]])
tensor([[ 1.0000, -2.5000, 3.5000, 2.0000]])
tensor([[-3.]])
tensor([[ 1.0000, -3.5000, 4.5000, 0.5000]])2.Percepton学习规则
\(r=d_j-o_j\)
$o_j=f(W^T_jX)=sgn(W^T_jX)= \begin {cases} 1 & W^T_jX\ge0 \ -1 & W^T_jX<0 \end {cases} $
权值调整公式为
\(\Delta W_j=\eta [d_j-sgn(W_j^TX)]X\)
\(\Delta w_{ij}=\eta [d_j-sgn(W_j^TX)]x_i\)
在有误差的情况下由于\(d_j,sgn\)取值为{-1,1}，权值调整公式可简化为
\(\Delta W_j=\pm 2 \eta X\)
只适用于二进制神经元 是一种有监督学习
3.\(\delta\)学习规则
学习信号规定为
\(r=[d_j-f(W_j^TX)]f'(W_j^TX)=(d_j-o_j)f'(net_j)\)
要求转移函数可导，只适用于有监督学习中定义的连续转移函数
\(\Delta W_j=\eta (d_j-o_j)f'(net_j)X\)
\(\Delta w_{ij}=\eta (d_j-o_j)f'(net_j)x_i\)
例如\(w_0=T,x_0=-1,\eta = 0.1,X^1=(-1,1,-2,0)^T,X^2=(-1,0,1.5,-0.5)^T,X^3=(-1,-1,1,0.5)^T,d^1=-1,d^2=-1,d^3=1,W(0)=(0.5,1,-1,0)^T\)
import torch as t
import math
def f(x):
return (1-math.e**(-x))/(1+math.e**(-x))
def f_d(x):
return (1-f(x)**2)/2
w_0 = t.Tensor([[0.5,1,-1,0]])
eta = 0.1
x = []
x.append(t.Tensor([[-1],[1],[-2],[0]]))
x.append(t.Tensor([[-1],[0],[1.5],[-0.5]]))
x.append(t.Tensor([[-1],[-1],[1],[0.5]]))
d = []
d.append(-1)
d.append(-1)
d.append(1)
for i,j in zip(x,d):
net = w_0.mm(i)
o=f(net)
w_0=w_0+eta*(j-o)*f_d(net)*i.t()
print(w_0)
tensor([[ 0.5259, 0.9741, -0.9482, 0.0000]])
tensor([[ 0.5314, 0.9741, -0.9563, 0.0027]])
tensor([[ 0.5046, 0.9474, -0.9296, 0.0161]])4.LMS学习规则
学习信号定义为\(r=d_j-W_j^TX\)
\(\Delta W_j=\eta (d_j-W_j^TX)X\)
\(\Delta w_{ij}=\eta (d_j-W_j^TX)x_j\)
可以看做\(\delta\)学习的特例
有监督学习 权值可初始化为任意值
5.Correlation学习规则
学习信号为\(r=d_j\)
\(\Delta W_j = \eta d_jX\)
\(\Delta w_{ij} = \eta d_j x_i\)
有监督学习 要求权值初始化为0
6.Winner-Take-All学习规则
只有响应最大的神经元有权利调整权向量
\(W_j^{T_*}X=max(W_i^TX)\)
\(\Delta W_{j^*}=\alpha (X-W_{j^*})\)
\(\alpha \in (0,1]\)为一个小的学习常数