非线性CC神经元模型的原理及其学习算法

摘要：

@@ 1 M-P神经元模型的工作原理和几何意义
1943年,MoCulloch和Pitts[1]根据神经元传递规律,第一次提出了神经元的数学模型.M-P神经元模型一直沿用至今,它对神经网络的发展起到了奠基性的作用.每个神经元的状态由M-P方程决定:S=f(∑W X -θ),θ为阈值,f为激励函数,一般取符号函数.令:它代表了n维空间中,以X为坐标变量,以W为坐标系数,θ为常数项的一个超平面.当样本点X落入超平面的正半区,即I(X)>0时,有f(I)＝1;当样本点X落入超平面的负半区,即I(X)<0时,有f(I)＝0.从分类的角度看,一个神经元按输入将样本划分成为两类(0和1).现在广泛使用的BP模型采用Sigmoid函数作为激励函数,但是它没有改变神经元分类的本质.神经网络实际上就是多个神经元组织起来的一种网状结构.

机标关键词：非线性、神经元模型、工作原理、超平面、神经网络、激励函数、样本点、坐标变量、网状结构、数学模型、几何意义、分类、传递规律、奠基性、常数项、组织、状态、阈值、系数、输入

所属期刊栏目：28

分类号：TP3(计算技术、计算机技术)

资助基金：国家自然科学基金

在线出版日期：2004-01-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：33-36,25