人工神经网络的设计问题有哪些？

人工神经网络是一种基于生物神经网络功能的系统。它是生物神经系统的模拟。人工神经网络的特点是具有多种结构，需要多种算法方法，但无论系统多么复杂，神经网络都很容易理解。

这些网络位于主管工具箱中特定信号处理科学之间。该领域是高度跨学科的，但这种方法将视野限制在工程角度。

在工程领域，神经网络产生两种基本功能，即模式分类器和非线性自适应滤波器。人工神经网络是动态的，它提供了一个非线性系统，该系统可以从数据中学习执行函数（输入/输出映射）。自适应表示系统参数在运行期间发生变化，通常称为训练阶段。

在训练阶段之后，人工神经网络的参数被固定，并且系统开始解决手头的問題（测试阶段）。人工神经网络是通过系统化的逐步程序生成的，以提高性能测试或遵循某些确定的内部约束，这通常被描述为学习规则。

必须考虑以下设计问题：

必须确定输入层中的多个节点。可以为每个数学或二进制输入变量创建一个输入节点。如果输入变量是分类变量，则可以为每个分类值创建一个节点，或者使用 [log₂k] 个输入节点对 k 进制变量进行加密。

必须创建输出层中的多个节点。对于一个两类问题，只需要一个输出节点就足够了。对于一个 k 类问题，有 k 个输出节点。

应选择网络拓扑结构，例如隐藏层的数量和隐藏节点，以及前馈或递归网络结构。目标函数描述基于连接的权重、多个隐藏节点和隐藏层、节点中的偏差以及激活函数的类型。发现正确的拓扑结构并非易事。

一种方法是从具有足够多节点和隐藏层的全连接网络开始，然后用更少的节点重复模型构建结构。这种方法可以适中。或者，可以删除一些节点并重复模型评估过程以选择正确的模型复杂度，而不是重复模型构建结构。

应初始化权重和偏差。随机赋值通常就足够了。

必须删除具有缺失值的训练实例或使用最可能的值对其进行恢复。

Ginni

更新于： 2022年2月11日

3K+ 浏览量

开启您的 职业生涯

通过完成课程获得认证

开始学习