NN Functions a program in Lisp to demonstrate working of an artificial neuron. (Enter an input vector X and weight vector W. Calculate weighted sum XW. Transform this using signal or activation functions like logistic, threshold, hyperbolic-tangent, linear, exponential, Sigmoid or some other functions (syntax provided) and display the output).
標(biāo)簽： demonstrate artificial Functions program
上傳時(shí)間： 2013-12-30
上傳用戶：hfmm633
% 生成訓(xùn)練樣本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.59 240 0.1 12 4 24 1 1.5; 220 0.6 240 0.3 12 3 18 2 1; 220 3 240 0.3 25 3 21 1 1.5; 110 1.562 240 0.3 15 3 18 1 1.5; 110 0.547 240 0.3 15 1 9 2 1.5]; 0 1.318 300 0.1 15 2 18 1 2]; T=[54248 162787 168380 314797; 28614 63958 69637 82898; 86002 402710 644415 328084; 230802 445102 362823 335913; 60257 127892 76753 73541; 34615 93532 80762 110049; 56783 172907 164548 144040]; @907 117437 120368 130179]; m=max(max(P)); n=max(max(T)); P=P'/m; T=T'/n; %-------------------------------------------------------------------------% pr(1:9,1)=0; %輸入矢量的取值范圍矩陣 pr(1:9,2)=1; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神經(jīng)網(wǎng)絡(luò)， 12個(gè)隱層神經(jīng)元，4個(gè)輸出神經(jīng)元 %tranferFcn屬性 'logsig' 隱層采用Sigmoid傳輸函數(shù) %tranferFcn屬性 'logsig' 輸出層采用Sigmoid傳輸函數(shù) %trainFcn屬性 'traingdx' 自適應(yīng)調(diào)整學(xué)習(xí)速率附加動(dòng)量因子梯度下降反向傳播算法訓(xùn)練函數(shù) %learn屬性 'learngdm' 附加動(dòng)量因子的梯度下降學(xué)習(xí)函數(shù) net.trainParam.epochs=1000;%允許最大訓(xùn)練步數(shù)2000步 net.trainParam.goal=0.001; %訓(xùn)練目標(biāo)最小誤差0.001 net.trainParam.show=10; %每間隔100步顯示一次訓(xùn)練結(jié)果 net.trainParam.lr=0.05; %學(xué)習(xí)速率0.05 bpnet=train(bpnet,P,T); %------------------------------------------------------------------------- p=[110 1.318 300 0.1 15 2 18 1 2]; p=p'/m; r=sim(bpnet,p); R=r'*n; display(R);
上傳時(shí)間： 2016-05-28
上傳用戶：shanqiu
學(xué)python必備，數(shù)學(xué)得搞好 ，嘿嘿嘿本書(shū)的目的在于提供理解神經(jīng)網(wǎng)絡(luò)所需的數(shù)學(xué)基礎(chǔ)知識(shí)。為了便于 讀者直觀地理解，書(shū)中使用大量圖片，并通過(guò)具體示例來(lái)介紹。因 此，本書(shū)將數(shù)學(xué)的嚴(yán)謹(jǐn)性放在第二位。 深度學(xué)習(xí)的世界是豐富多彩的，本書(shū)主要考慮階層型神經(jīng)網(wǎng)絡(luò)和卷 積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用。 本書(shū)將 Sigmoid 函數(shù)作為激活函數(shù)，除此之外也可以考慮其他函 數(shù)。 本書(shū)以最小二乘法作為數(shù)學(xué)上的最優(yōu)化的基礎(chǔ)，除此之外也可以考 慮其他方法。 神經(jīng)網(wǎng)絡(luò)可分為有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩類。本書(shū)主要講解有監(jiān) 督學(xué)習(xí)。 人工智能相關(guān)的文獻(xiàn)之所以難讀，其中一個(gè)原因就是各文獻(xiàn)所用的 符號(hào)不統(tǒng)一。本書(shū)采用的是相關(guān)文獻(xiàn)中常用的符號(hào)。 本書(shū)使用 Excel 進(jìn)行理論驗(yàn)證。Excel 是一個(gè)非常優(yōu)秀的工具，能 夠在工作表上可視化地展現(xiàn)邏輯，有助于我們理解。因此，相應(yīng)的 項(xiàng)目需要以 Excel 的基礎(chǔ)知識(shí)為前提。
標(biāo)簽： 深度學(xué)習(xí) python
上傳時(shí)間： 2022-06-22
上傳用戶：kingwide
神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是指用大量的簡(jiǎn)單計(jì)算單元構(gòu)成的非線性系統(tǒng)，它在一定程度上模仿了人腦神經(jīng)系統(tǒng)的信息處理、存儲(chǔ)和檢索功能，是對(duì)人腦神經(jīng)網(wǎng)絡(luò)的某種簡(jiǎn)化、抽象和模擬。1943年心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作提出了神經(jīng)元的數(shù)學(xué)模型M-P神經(jīng)元模型，證明了單個(gè)神經(jīng)元能執(zhí)行邏輯功能，從此開(kāi)創(chuàng)了神經(jīng)科學(xué)理論研究的時(shí)代。M-P模型，是按照生物神經(jīng)元的結(jié)構(gòu)和工作原理構(gòu)造出來(lái)的一個(gè)抽象和簡(jiǎn)化了的神經(jīng)元模型。權(quán)重當(dāng)輸入進(jìn)入神經(jīng)元時(shí)，它會(huì)乘以一個(gè)權(quán)重。例如，如果一個(gè)神經(jīng)元有兩個(gè)輸入，則每個(gè)輸入都將具有分配給它的一個(gè)關(guān)聯(lián)權(quán)重。隨機(jī)初始化權(quán)重，并在模型訓(xùn)練過(guò)程中更新這些權(quán)重。偏置除了權(quán)重之外，另一個(gè)被應(yīng)用于輸入的線性分量被稱為偏置。它被加到權(quán)重與輸入相乘的結(jié)果中。添加偏置的目的是改變權(quán)重與輸入相乘所得結(jié)果的范圍。激活函數(shù)激活函數(shù)的主要作用是加入非線性因素，以解決線性模型表達(dá)能力不足的缺陷，在整個(gè)神經(jīng)網(wǎng)絡(luò)中至關(guān)重要。常用的激活函數(shù)有Sigmoid、Tanh、ReLU。
標(biāo)簽： 人工智能 神經(jīng)網(wǎng)絡(luò) 深度學(xué)習(xí)
上傳時(shí)間： 2022-06-24
上傳用戶：得之我幸78
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
