神經(jīng)網(wǎng)絡模型是機器學習、深度學習的核心，針對不同的問題，我們需要搭建不同的神經(jīng)網(wǎng)絡模型。為增進大家對神經(jīng)網(wǎng)絡模型的認識，本文將對常見的神經(jīng)網(wǎng)絡模型予以介紹。如果你對神經(jīng)網(wǎng)絡模型具有興趣，不妨繼續(xù)往下閱讀哦。

1、BP神經(jīng)網(wǎng)絡

BP(BackPropagation)神經(jīng)網(wǎng)絡是一種神經(jīng)網(wǎng)絡學習算法。其由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡，中間層可擴展為多層。相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡按有教師示教的方式進行學習，當一對學習模式提供給網(wǎng)絡后，各神經(jīng)元獲得網(wǎng)絡的輸入響應產(chǎn)生連接權(quán)值(Weight)。然后按減小希望輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。此過程反復交替進行，直至網(wǎng)絡的全局誤差趨向給定的極小值，即完成學習的過程。

2、RBF(徑向基)神經(jīng)網(wǎng)絡

徑向基函數(shù)(RBF-RadialBasisFunction)神經(jīng)網(wǎng)絡是由J.Moody和C.Darken在80年代末提出的一種神經(jīng)網(wǎng)絡，它是具有單隱層的三層前饋網(wǎng)絡。由于它模擬了人腦中局部調(diào)整、相互覆蓋接收域(或稱感受野-ReceptiveField)的神經(jīng)網(wǎng)絡結(jié)構(gòu)，因此，RBF網(wǎng)絡是一種局部逼近網(wǎng)絡，它能夠以任意精度逼近任意連續(xù)函數(shù)，特別適合于解決分類問題。

3、感知器神經(jīng)網(wǎng)絡

是一個具有單層計算神經(jīng)元的神經(jīng)網(wǎng)絡，網(wǎng)絡的傳遞函數(shù)是線性閾值單元。原始的感知器神經(jīng)網(wǎng)絡只有一個神經(jīng)元。主要用來模擬人腦的感知特征，由于采取閾值單元作為傳遞函數(shù)，所以只能輸出兩個值，適合簡單的模式分類問題。當感知器用于兩類模式分類時，相當于在高維樣本空間用一個超平面將兩類樣本分開，但是單層感知器只能處理線性問題，對于非線性或者線性不可分問題無能為力。假設p是輸入向量，w是權(quán)值矩陣向量，b為閾值向量，由于其傳遞函數(shù)是閾值單元，也就是所謂的硬限幅函數(shù)，那么感知器的決策邊界就是wp+b，當wp+b〉=0時，判定類別1，否則判定為類別2。

4、線性神經(jīng)網(wǎng)絡

線性神經(jīng)網(wǎng)絡是比較簡單的一種神經(jīng)網(wǎng)絡，由一個或者多個線性神經(jīng)元構(gòu)成。采用線性函數(shù)作為傳遞函數(shù)，所以輸出可以是任意值。線性神經(jīng)網(wǎng)絡可以采用基于最小二乘LMS的Widrow-Hoff學習規(guī)則調(diào)節(jié)網(wǎng)絡的權(quán)值和閾值，和感知器一樣，線性神經(jīng)網(wǎng)絡只能處理反應輸入輸出樣本向量空間的線性映射關(guān)系，也只能處理線性可分問題。目前線性神經(jīng)網(wǎng)絡在函數(shù)擬合、信號濾波、預測、控制等方面有廣泛的應用。線性神經(jīng)網(wǎng)絡和感知器網(wǎng)絡不同，它的傳遞函數(shù)是線性函數(shù)，輸入和輸出之間是簡單的純比例關(guān)系，而且神經(jīng)元的個數(shù)可以是多個。只有一個神經(jīng)元的線性神經(jīng)網(wǎng)絡僅僅在傳遞函數(shù)上和感知器不同，前者是線性函數(shù)的傳遞函數(shù)，后者是閾值單元的傳遞函數(shù)，僅此而已。

5、自組織神經(jīng)網(wǎng)絡

在生物神經(jīng)細胞中存在一種特征敏感細胞，這種細胞只對外界信號刺激的某一特征敏感，并且這種特征是通過自學習形成的。在人腦的腦皮層中，對于外界信號刺激的感知和處理是分區(qū)進行的，有學者認為，腦皮層通過鄰近神經(jīng)細胞的相互競爭學習，自適應的發(fā)展稱為對不同性質(zhì)的信號敏感的區(qū)域。根據(jù)這一特征現(xiàn)象，芬蘭學者Kohonen提出了自組織特征映射神經(jīng)網(wǎng)絡模型。他認為一個神經(jīng)網(wǎng)絡在接受外界輸入模式時，會自適應的對輸入信號的特征進行學習，進而自組織成不同的區(qū)域，并且在各個區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫卣鳌Ｔ谳敵隹臻g中，這些神經(jīng)元將形成一張映射圖，映射圖中功能相同的神經(jīng)元靠的比較近，功能不同的神經(jīng)元分的比較開，自組織特征映射網(wǎng)絡也是因此得名。

自組織映射過程是通過競爭學習完成的。所謂競爭學習是指同一層神經(jīng)元之間相互競爭，競爭勝利的神經(jīng)元修改與其連接的連接權(quán)值的過程。競爭學習是一種無監(jiān)督學習方法，在學習過程中，只需要向網(wǎng)絡提供一些學習樣本，而無需提供理想的目標輸出，網(wǎng)絡根據(jù)輸入樣本的特性進行自組織映射，從而對樣本進行自動排序和分類。

自組織神經(jīng)網(wǎng)絡包括自組織競爭網(wǎng)絡、自組織特征映射網(wǎng)絡、學習向量量化等網(wǎng)絡結(jié)構(gòu)形式。

6、反饋神經(jīng)網(wǎng)絡

前面介紹的網(wǎng)絡都是前向網(wǎng)絡，實際應用中還有另外一種網(wǎng)絡——反饋網(wǎng)絡。在反饋網(wǎng)絡中，信息在前向傳遞的同時還要進行反向傳遞，這種信息的反饋可以發(fā)生在不同網(wǎng)絡層的神經(jīng)元之間，也可以只局限于某一層神經(jīng)元上。由于反饋網(wǎng)絡屬于動態(tài)網(wǎng)絡，只有滿足了穩(wěn)定條件，網(wǎng)絡才能在工作了一段時間之后達到穩(wěn)定狀態(tài)。反饋網(wǎng)絡的典型代表是Elman網(wǎng)絡和Hopfield網(wǎng)絡。

以上便是此次小編帶來的神經(jīng)網(wǎng)絡模型相關(guān)內(nèi)容，通過本文，希望大家對常見的神經(jīng)網(wǎng)絡模型具備一定的了解。如果你喜歡本文，不妨持續(xù)關(guān)注我們網(wǎng)站哦，小編將于后期帶來更多精彩內(nèi)容。最后，十分感謝大家的閱讀，have a nice day!