神经网络

神经网络

神经元模型：

$y=f(\sum_{i=1}^{n}w_{i}x_{i}-\theta)$ ，其中 $w_{i}$ 为权值， $\theta$ 为阈值
通过激活函数处理产生的输出（ $sgn(x)$ 或 $Sigmoid(x)$ ）。

感知机：

感知机由两层神经元组成，输入层和输出层，感知机只有一层功能神经元，学习能力有限，只能学习线性可分的问题。

感知机学习算法：

训练函数： $y=sgn(\sum_{i=1}^{n}w_{i}x_{i}-\theta)$
训练集： $D\in{(x_{i},y_{i})}$ ， $i=1,2,...,n$
若训练集数据错误则调整对应的 $w_{i}$ 和 $\theta$
调整方法： $w_{i}^{'}=w_{i}+\Delta{w_{i}}$
假设 $y_{i}=0$ 的被误分，即 $w_{i}x_{i}>\theta$ ，而调整后的 $w_{i}^{'}x_{i}<\theta$ ，由此可得
$w_{i}^{'}x_{i}=w_{i}x_{i}+\Delta{w_{i}}x_{i}<w_{i}x_{i}$
$\Rightarrow$ $\Delta{w_{i}}x_{i}<0$
$\Rightarrow$ $\Delta{w_{i}}=-\widehat{y_{i}}x_{i}$
同理，若 $y_{i}=1$ 被误分，可得 $\Delta{w_{i}}=\widehat{y_{i}}x_{i}$ ，以一定的学习率 $\alpha$ 可得
$\Delta{w_{i}}=\alpha(y-\widehat{y})x_{i}$ ， $\widehat{y}$ 为感知机输出值

若对 $\theta$ 调整： $\theta^{'}=\theta+\Delta{\theta}$
假设 $y_{i}=0$ 的被误分，即 $w_{i}x_{i}>\theta$ ，而调整后的 $w_{i}x_{i}<\theta^{'}$ ，由此可得
$\theta^{'}=\theta+\Delta\theta>\theta$
$\Rightarrow$ $\Delta\theta>0$
$\Rightarrow$ $\Delta\theta=y_{i}-\widehat y_{i}$
即 $\Delta\theta=\alpha(y_{i}-\widehat y_{i})$

多层网络：

标准误差逆传播算法（BP）：

训练集： $D\in{(x_{i},y_{i})}$ ， $i=1,2,...,n$
假设有 $d$ 个输入神经元， $l$ 个输出神经元， $q$ 个隐层神经元的多层前馈网络结构，其中输出层第 $j$ 个神经元的阈值用 $\theta_{j}$ ，隐层第 $h$ 个神经元的阈值用 $\gamma_{h}$ 表示，，输入层第 $i$ 个神经元与隐层第 $h$ 个神经元之间的权值为 $v_{ih}$ ，隐层第 $h$ 个神经元与输出层的 $j$ 个神经元之间的权值为 $w_{hj}$ ，第 $h$ 个隐层神经元收到输入为 $\alpha_{h}=\sum_{i=1}^{d}v_{ih}x_{i}$ ，输出层第 $j$ 个神经元收到输入为 $\beta_{j}=\sum_{h=1}^{q}w_{hj}b_{h}$
神经网络输出： $\widehat{y}_{k}=(\widehat{y}_{1}^{k},\widehat{y}_{2}^{k},...,\widehat{y}_{l}^{k})$ 即 $\widehat{y}_{j}^{k}=f(\beta_{j}-\theta_{j})$
网络的均方差： $E_{k}=\frac{1}{2}\sum_{j=1}^{l}(\widehat{y}_{j}^{k}-y_{j}^{k})^{2}$
BP算法基于梯度下降策略，给定学习率 $\alpha$ 有
$\Delta{w_{hj}}=-\alpha\frac{\partial E_{k}}{\partial w_{hj}}$ ，由于 $w_{hj}$ 影响到 $\beta_{j}$ 和 $\widehat{y}_{j}^{k}$
$\Rightarrow$ $\frac{\partial E_{k}}{\partial w_{hj}}=\frac{\partial E_{k}}{\partial \widehat{y}_{j}^{k}}\cdot \frac{\partial \widehat{y}_{j}^{k}}{\partial \beta_{j}}\cdot\frac{\partial \beta_{j}}{\partial w_{hj}}$
其中 $\frac{\partial \beta_{j}}{\partial w_{hj}}=b_{h}$ ，Sigmod函数性质： $f^{'}(x)=(1-f(x))f(x)$
$g_{j}=-\frac{\partial E_{k}}{\partial \widehat{y}_{j}^{k}}\cdot \frac{\partial \widehat{y}_{j}^{k}}{\partial \beta_{j}}=-(\widehat{y}_{j}^{k}-y_{j}^{k})f^{'}(\beta_{j}-\theta_{j})=\widehat{y}_{j}^{k}(1-\widehat{y}_{j}^{k})(y_{j}^{k}-\widehat{y}_{j}^{k})$
有 $\Delta w_{hj}=\alpha g_{j}b_{h}$ ，类似可得:
$\Delta \theta_{j}=-\alpha g_{j}$ ， $\Delta v_{ih}=\alpha e_{h}x_{i}$ ， $\Delta \gamma_{h}=\alpha e_{h}$
其中 $e_{h}=-\frac{\partial E_{k}}{\partial b_{h}}\cdot\frac{\partial b_{h}}{\partial \alpha_{h}}=b_{h}(1-b_{h})\sum_{j=1}^{l}w_{hj}g_{j}$

最后编辑于：2018.10.20 18:54:12

神经元模型：

感知机：

感知机学习算法：

多层网络：

标准误差逆传播算法（BP）：

推荐阅读更多精彩内容