数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学什么是多层人工神经网络？
人工神经网络是一个模仿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。
这些网络是主管工具箱中特定信号处理科学之间的桥梁。这个领域是高度跨学科的，但这篇文章将把视野限制在工程学的角度。
在工程领域，神经网络主要作为模式分类器和非线性自适应滤波器发挥作用。人工神经网络是动态的，它提供了一个非线性系统，可以从数据中学习执行一个函数（输入/输出映射）。自适应表示系统参数在运行过程中会发生变化，通常称为训练阶段。
训练阶段结束后，人工神经网络的参数被固定，系统开始解决手头的难题（测试阶段）。人工神经网络是通过一个系统的逐步过程来改进性能测试或遵循某些确定的内部约束而产生的，这通常被称为学习规则。
输入/输出训练数据在神经网络技术中至关重要，因为它们提供了“找到”最佳工作点的必要信息。神经网络处理单元 (PE) 的非线性特性使系统能够获得多种适应性，从而获得几乎任意数量的所需输入/输出映射，即一些人工神经网络是广泛的映射器。
将输入显示给神经网络，并在输出端设置相同的期望或目标响应（如果采用这种方法，训练称为监督学习）。
误差是由捕获的响应和系统输出之间的差异组成的。这个误差记录被送回系统，并不断调整系统参数（学习规则）。重复此过程，直到性能令人满意。由此可见，性能在很大程度上依赖于数据。
网络可以使用除符号函数之外的其他激活函数方法。有几种激活函数，例如线性函数、S型（逻辑）函数和双曲正切函数。
这些激活函数使隐藏层和输出层节点能够产生其输入参数的非线性输出值。这些更复杂的特性使多层神经网络能够模拟输入和输出变量之间更复杂的关系。
由于使用了S型或tanh等激活函数，ANN的输出是其参数的非线性函数。因此，推导出被认为是普遍最优的w的解不再简单。
786 次浏览
