超级会员免费看
这篇博客讨论了人工神经网络的简化模型，重点在于理解兰兰同学提出的神经网络模型，并通过程序来验证其实用性。文章介绍了神经元的工作原理，包括输入、输出渠道和状态计算，并展示了神经网络的层次结构。问题描述部分详细阐述了神经元的状态计算公式以及整个网络如何根据输入层的状态进行运算，最终目标是计算输出层的状态。
人工神经网络（Artificial Neural Network）是一种新兴的具有自我学习能力的计算系统，在模式识别、函数逼近及贷款风险评估等诸多领域有广泛的应用。对神经网络的研究一直是当今的热门方向，兰兰同学在自学了一本神经网络的入门书籍后，提出了一个简化模型，他希望你能帮助他用程序检验这个神经网络模型的实用性。
【问题描述】
在兰兰的模型中，神经网络就是一张有向图，图中的节点称为神经元，而且两个神经
元之间至多有一条边相连，下图是一个神经元的例子：
神经元〔编号为1）
图中，X1—X3是信息输入渠道，Y1－Y2是信息输出渠道，C1表示神经元目前的状态，
Ui是阈值，可视为神经元的一个内在参数。
神经元按一定的顺序排列，构成整个神经网络。在兰兰的模型之中，神经网络中的神
经无分为几层；称为输入层、输出层，和若干个中间层。每层神经元只向下一层的神经元
输出信息，只从上一层神经元接受信息。下图是一个简单的三层神经网络的例子。
兰兰规定，Ci服从公式：（其中n是网络中所有神经元的数目）
神经网络公式
订阅专栏 解锁全文
扫一扫
800
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
