类神经网络系统 (Artificial Neural Networks)

类神经网络系统,是被设计成模拟人脑的脑神经网路,并期望能有大
脑的特质,而且能像大脑一样地运作,能像大脑一样学习,而且累积得到知识,而产生
智慧。

基本上,类神经网络的运作分成两个过程: (1)训练过程- 训练目的在决定网路的
权重值(w)与偏权值(b),(2)模拟过程- 目的在决定网路的预测输出值或验证网路的准确
度。本研究采用的类神经网路为监督式学习的倒传递类神经网路。标准的倒传递演算法
是一种梯度下降(Gradient Decent)演算法,如同 Widrow-Hoff 学习规则,网路权重值是
沿着性能函数的负的梯度方向移动着。

类神经网络和回归分析不同,没有任何假设的机率分布,是模式识别和误差最小化
的过程,在每一次经验中提取和学习资讯。类神经网路可以处理连续型和类别型的资
料,对资料进行预测。类神经网路的主要结构是由神经元(neuron)、层(layer)和网
路(network)三个部份所组成。整个类神经网路包含一系列基本的神经元,通过权重
(weight)相互连接。这些单元以层的方式组织,每一层的每个神经元和前一层、后一
层的神经元连接。

类神经网络的层分为输入层、输出层和隐藏层,三层连结形成一个神经网路。输入
层只从外部环境接收资讯,该层的​​每个神经元相当于自变数,不完成任何计算,只为下
一层传递资讯。输出层生成最终结果,为网路送给外部系统的结果值。隐藏层介于输入
层和输出层之间,这些层完全用于分析,其函数联系输入层变数和输出层变数,使其更
配适资料。目前尚没有统一的标准方法可以计算神经网路的最佳层数。

类神经网络所建构的模型主要是以经验风险最小化为理论之基础,优点为可以建构
非线性的模型,模型的准确度高。有良好的推广性,对于未知的输入亦可得到正确的输
出。可以接受不同种类的变数作为输入,适应性强。可应用的领域相当广泛,模型建构
能力强。具模糊推论能力,允许输出入变数具模糊性。类神经网路的缺点为学习速率等
参数需设定,工作相当费时。以迭代方式更新阀值,计算量大,相当耗费电脑资源。解
有无限多组,无法得知哪一组的解为最佳解。训练过程中无法得知需要的神经元个数,
太多或太少的神经元均会影响系统的准确性,常以试误方式得到适当神经元个数。类神
经网路是以建立数值结构来学习,其知识结构是隐性的,缺乏解释能力。

发表评论

电子邮件地址不会被公开。 必填项已用*标注