14、人工神经网络：多层感知器的原理与应用

人工神经网络：多层感知器的原理与应用

1. 神经网络学习类型概述

在神经网络的学习中，存在多种类型，每种类型都有其独特的特点和应用场景。
- 无监督学习 ：最著名的基于无监督技术的人工神经网络是Kohonen的自组织映射（SOM）。无监督学习的另一个任务是降维，网络被训练以产生遵循输入所需属性的输出，例如保留样本之间的成对距离。无监督学习可以在线或批量模式下进行。
- 半监督学习 ：将有标签和无标签的样本都呈现给网络，主要目的是解决监督学习任务，并从作为无标签样本集提供给网络的输入空间结构的额外信息中受益。
- 强化学习 ：这是一种混合训练方法，网络不会被呈现确切的输出，只知道学习步骤（权重的单次修改）的结果是好是坏，常见于机器人、象棋玩家系统等领域。

2. 多层感知器基础

多层感知器（MLP）是最常用的神经网络模型，它是一种由多个层组成的全连接神经元网络。
- 前馈神经网络特性 ：没有反馈和横向连接的网络是前馈人工神经网络，信息仅从输入流向输出，拓扑结构不允许有封闭路径。给定输入，所有输出层神经元的激活可以在一次确定性传递中计算出来，不需要迭代，随机性也不起作用。
- MLP结构与优势 ：以一个包含3个输入、2个各有7个神经元的隐藏层和2个输出的网络为例（如图所示），MLP可以解决实际的非线性问题，其隐藏层对于理解网络所学内容很有价值。多层分层网络强大之处在于能在隐藏单元中生成自己的内部表示，用于解释结果。

多层感知器