1700530830
1700530831
ii）使用进化算法（见附录中的下一部分）决定最佳连接
1700530832
1700530833
iii）使用系统设计者的最佳判断来决定连接法
1700530834
1700530835
·每个连接的初始突触强度（即权值）。设置方法有许多：
1700530836
1700530837
i）将突触强度的值设置一致
1700530838
1700530839
ii）将突触强度随意设置为不同值
1700530840
1700530841
iii）使用进化算法来决定最佳初始值
1700530842
1700530843
iv）使用系统设计者的最佳判断来决定初始值
1700530844
1700530845
·每个神经元的阈值
1700530846
1700530847
·输出的决定。输出可以是：
1700530848
1700530849
i）第M层上神经元的输出
1700530850
1700530851
ii）单个输出神经元的输出，这些神经元的输入是第M层上神经元的输出
1700530852
1700530853
iii）第M层上神经元输出的函数（即总和）
1700530854
1700530855
iv）多个层次当中神经元输出的函数
1700530856
1700530857
·决定训练神经网络过程中所有连接的突触强度如何修正。这是一个关键的设计决策，也是大量神经网络研究和讨论的主题。设置方法有许多：
1700530858
1700530859
i）针对每一次识别实验，通过（通常是较小的）固定的数量增加或减少每一个突触的强度，从而使神经网络的输出更接近正确值。其中一种方案是试着同时增加和减少突触的强度，从而比较哪种方法的影响较好。也许这样做比较耗时，所以还有其他针对是否要增加或减少每个突触强度的方法来做本地决定
1700530860
1700530861
ii）还有其他统计方法可以在每次识别测试后改善突触强度，这样实验中的神经网络可以更接近正确答案
1700530862
1700530863
要注意，即便训练测试的答案并不完全正确，神经网络训练也会起作用。这样就可以使用有固有误差率的真实数据进行训练。基于神经网络识别系统取得成功的关键因素之一，就是训练使用的数据量大小。通常，要得到令人满意的结果，就需要大量的数据。就好比人类学生，神经网络在学习课程上所消耗的大量时间是其性能的关键
1700530864
1700530865
变量
1700530866
1700530867
上述很多变量都是可操作的，这些变量包括：
1700530868
1700530869
·如上文所述，有很多不同方式构建拓扑结构，尤其是神经元之间的连接可以随机设定或是用进化算法来设定
1700530870
1700530871
·如上文所述，有许多不同方式来设定初始突触强度
1700530872
1700530873
·第i层上的神经元输入没必要全部来自第（i–1）层，每层神经元的输入可以来自底层或任意层
1700530874
1700530875
·如前文所述，决定最终输出值的方法不止一种
1700530876
1700530877
·对每个神经元而言，上述方法把加权值之和比作神经元的阈值。如果加权值达到了阈值，神经元受到刺激且输出值为1;否则，输出值为0。这种“拥有一切或一无所有”的刺激法叫作非线性。有很多可用的非线性方程。通常被使用的方程会以迅速但逐渐变化（而不是拥有一切或一无所有）的方式从0过渡到1。此外，输出的结果可以不是0和1
1700530878
1700530879
·如上文所述，训练过程中修正突触强度的不同方法代表了设计的关键性决策
[
上一页 ]
[ :1.70053083e+09 ]
[
下一页 ]