多层感知器神经网络反向传播算法的实现与研究
2020-12-23陈文云
科学与信息化 2020年32期
关键词:人工智能



摘 要 本文通过实现多层感知器神经网络反向传播算法,对其中各神经元突触权值和偏置的自适应收敛速度的影响因素进行研究,包括激活函数、学习率和特征的提取及其初始化等。并通过非线性可分的“异或”问题来进行验证,实验结果表明反向传播算法在学习率、特征初值和激活函数选择得当的前提下是一种高效的算法。
关键词 人工智能;人工神经网络;多层感知器;支持向量机
引言
随着信息技术(处理器、存储、网络和物联网等技术)的步深化和人类社会信息化程度的不断提高,需要处理的数据量和种类越来越多,靠人脑来处理这些海量数据已经不可能[3]。利用计算机的高速数据处理特性,来处理这些海量数据是必由之路,如何训练计算机使其具有像人脑类似的智能是当务之急。
以模拟人脑神经系统的工作原理的人工神经网络(ANN: Artificial Neural Network),主要解决非线性可分的复杂问题[1],
逐渐成为人工智能(AI: Artificial Intelligence)主要的技术之一。神经网络的主要思想是通过将非线性问题分解为若干线性问题,从而可以在每个神经元利用机器学习算法,如K均值(K-Means)和支持向量机(SVM: Support Vector Machine)[1-3]等。
1神经网络概述
1.1 神经元模型
神经元是神经网络进行信息处理的最基本单元[1],它既能处理线性数据,也能处理非线性数据,其模型如图1所示:
神经元模型由三种元素组成:突触、加法器和激活函数[1]。
此外,它还包含外部偏置,它根据其数值的符号和大小,来增加或减弱输入信号加权和通过激活函数对神经网络输入。……
登录APP查看全文
