類神經網路之感知機簡介

1. 類神經網路之感知機簡介 Reporter：Ya-Zhong, Chen Network Application Lab.

2. Outline • 序論 • 感知機 • 倒傳遞類神經網路 • 應用

3. 序論 • 人的智慧源自於不斷的學習與成長，類神經網路需有良好的訓練學習機制。 • 學習演算法就是一套權重調整的演算法，藉由演算法逐步地調整神經元間連結的權重，使其達到最佳的數值。 • 依據有無目標輸出值的學習過程，分為監督式學習（supervised learning） 非監督式學習（unsupervised learning） • 辨識常用的學習法─感知機。

4. 序論 • 樹突的主要功能就是接受其它神經元所傳遞而來的信號。 • 若導致位於軸突丘的細胞膜電位超過某一特定閥值 (threshold)時，則所謂的「活化電位」(action potential) 的脈衝就會被激發出來。 • 藉由管狀似的軸突傳遞至其它相連接的神經元。 • 軸突的終點處是「突觸」，這種細胞間的信號傳遞以化學性的方式居多。

5. 序論 • 我們可以用以下的數學式子來描述類神經元的輸入輸出關係： • 其中 代表第 i 維輸入至第 j 個類神經元的鍵結值； • 代表這個類神經元的閥值； 代表 p 維的輸入； • 代表第 j 個類神經元所獲得的整體輸入量， • 代表活化函數； • 則代表了類神經元的輸出值，也就是脈衝頻率。

6. 序論 單層前饋網路 多層前饋網路

7. 權重 W 第 j個神經元 實際輸出 wj1 x1 輸入向量X wj2 x2 yj wjn Wj  + xn dj 目標  X 感知機 單層感知器 (Single-layer perceptron) • 活化函數為二值門檻函數： • 監督式學習： • 實際輸出與目標輸出均為1，所以權重的調整僅發生在實際與目標兩者輸出不一致時。

8. 感知機將○及 ╳分成兩類 XOR problem 多層前饋式網路可以解決XOR問題 感知機 • 單層感知器因其活化函數為兩值門檻函數，可以將它看成是在超平面（hyperplane）上作線性分割（linear separate），對於在超平面上非線性的分割，感知器無法處理。 • 其後相關研究發展了多層感知器（multilayer perceptrons, MLP），並證明其可以處理複雜的非線性問題。

9. 倒傳遞類神經網路 • 倒傳遞類神經網路的架構為多層感知機（MLP） • 一般使用的學習演算法為誤差倒傳遞演算法（Error Back Propagation, EBP），簡稱為 BP演算法 • （MLP + EBP）稱之為 倒傳遞類神經網路 或 BPN

10. 倒傳遞類神經網路 BPN所使用的活化函數

11. 倒傳遞類神經網路

12. 應用 • 倒傳遞類神經網路常用於： • 1. 分類、診斷 • 2. 函數推估、預測 • 3. 訊號處理 • 4. 非線性控制系統 • 實例 • 影像辨識系統（例：指紋識別、衛星遙測影像分析、醫學影像識別） • 訊號分類 • 其他資訊應用（例：雷達訊號分類、聲納訊號分類）