-230-
第十九章神经网络模型
§1 神经网络简介
人工神经网络是在现代神经科学的基础上提出和发展起来的,旨在反映人脑结构及
功能的一种抽象数学模型。自1943 年美国心理学家W. McCulloch 和数学家W. Pitts 提
出形式神经元的抽象数学模型—MP 模型以来,人工神经网络理论技术经过了50 多年
曲折的发展。特别是20 世纪80 年代,人工神经网络的研究取得了重大进展,有关的理
论和方法已经发展成一门界于物理学、数学、计算机科学和神经生物学之间的交叉学科。它在模式识别,图像处理,智能控制,组合优化,金融预测与管理,通信,机器人以及
专家系统等领域得到广泛的应用,提出了40 多种神经网络模型,其中比较著名的有感
知机,Hopfield 网络,Boltzman 机,自适应共振理论及反向传播网络(BP)等。在这
里我们仅讨论最基本的网络模型及其学习算法。
1.1 人工神经元模型
下图表示出了作为人工神经网络(artificial neural network,以下简称NN)的基本
单元的神经元模型,它有三个基本要素:
(i)一组连接(对应于生物神经元的突触),连接强度由各连接上的权值表示,权
值为正表示激活,为负表示抑制。
(ii)一个求和单元,用于求取各输入信号的加权和(线性组合)。
(iii)一个非线性激活函数,起非线性映射作用并将神经元输出幅度限制在一定范
围内(一般限制在(0,1)或(?1,1)之间)。
此外还有一个阈值k
θ(或偏置k k b = ?θ)。
以上作用可分别以数学式表达出来:
Σ=
=
p
j
k kj j u w x
1
,k k k v = u ?θ,( ) k k y =?v
式中p x , x , , x 1 2 L 为输入信号,k k kp w ,w , ,w 1 2 L 为神经元k 之权值,k u 为线性组合结果,k
θ为阈值,?(?)为激活函数,k y 为神经元k 的输出。
若把输入的维数增加一维,则可把阈值k
θ包括进去。例如
Σ=
p
j
k kj j v w x
,( ) k k y =?u
此处增加了一个新的连接,其输入为1 0 x = ?(或+1),权值为k k w =θ0 (或k b ),如下图所示。
-231-
激活函数?(?)可以有以下几种:
(i)阈值函数
???
<
≥
=
0, 0
1, 0
( )
v
v
?v (1)
即阶梯函数。这时相应的输出k y 为
???
<
≥
=
0, 0
1, 0
k
k
k v
v
y
其中Σ=
= ?
p
j
k kj j k v w x
1
θ,常称此种神经元为M ?P模型。
(ii)分段线性函数
?
??
?
?
≤?
+ ?<<
≥
=
0, 1
(1 ), 1 1
2
1
1, 1
( )
v
v v
v
?v (2)
它类似于一个放大系数为1 的非线性放大器,当工作于线性区时它是一个线性组合器,放大系数趋于无穷大时变成一个阈值单元。
(iii)sigmoid 函数
最常用的函数形式为
1 exp( )
( ) 1
v
v
α
?
+ ?
= (3)
参数α>0可控制其斜率。另一种常用的是双曲正切函数
1 exp( )
1 exp( )
2
( ) tanh
v
v v v
+ ?
??
= ??
?
?= ?(4)
这类函数具有平滑和渐近性,并保持单调性。
Matlab 中的激活(传递)函数如下表所示:
函数名功能
purelin 线性传递函数
-232-
hardlim 硬限幅传递函数
hardlims 对称硬限幅传递函数
satlin 饱和线性传递函数
satlins 对称饱和线性传递函数
logsig 对数S 形传递函数
tansig 正切S 形传递函数
radbas 径向基传递函数
compet 竞争层传递函数
各个函数的定义及使用方法,可以参看Matlab 的帮助(如在Matlab 命令窗口运行help tansig,可以看到tantig 的使用方法,及tansig 的定义为1
1
( ) 2 2 ?
+
= e?v
?v )。
1.2 网络结构及工作方式
除单元特性外,网络的拓扑结构也是NN 的一个重要特性。从连接方式看NN 主要
有两种。
(i)前馈型网络
各神经元接受前一层的输入,并输出给下一层,没有反馈。结点分为两类,即输入
单元和计算单元,每一计算单元可有任意个输入,但只有一个输出(它可耦合到任意多个其它结点作为其输入)。通常前馈网络可分为不同的层,第i层的输入只与第i ?1层输出相连,输入和输出结点与外界相连,而其它中间层则称为隐层。
(ii)反馈型网络
所有结点都是计算单元,同时也可接受输入,并向外界输出。
NN 的工作过程主要分为两个阶段:第一个阶段是学习期,此时各计算单元状态不变,各连线上的权值可通过学习来修改;第二阶段是工作期,此时各连接权固定,计算单元状态变化,以达到某种稳定状态。
从作用效果看,前馈网络主要是函数映射,可用于模式识别和函数逼近。反馈网络
按对能量函数的极小点的利用来分类有两种:第一类是能量函数的所有极小点都起作用,这一类主要用作各种联想存储器;第二类只利用全局极小点,它主要用于求解最优化问题。
§2 蠓虫分类问题与多层前馈网络
2.1 蠓虫分类问题
蠓虫分类问题可概括叙述如下:生物学家试图对两种蠓虫(Af 与Apf)进行鉴别,
依据的资料是触角和翅膀的长度,已经测得了9 支Af 和6 支Apf 的数据如下:
Af: (1.24,1.27),(1.36,1.74),(1.38,1.64),(1.38,1.82),(1.38,1.90),(1.40,1.70),
(1.48,1.82),(1.54,1.82),(1.56,2.08).
Apf: (1.14,1.82),(1.18,1.96),(1.20,1.86),(1.26,2.00),(1.28,2.00),(1.30,1.96).
现在的问题是:
(i)根据如上资料,如何制定一种方法,正确地区分两类蠓虫。
(ii)对触角和翼长分别为(1.24,1.80),(1.28,1.84)与(1.40,2.04)的3 个标本,用所得
到的方法加以识别。
(iii)设Af 是宝贵的传粉益虫,Apf 是某疾病的载体,是否应该修改分类方法。
如上的问题是有代表性的,它的特点是要求依据已知资料(9 支Af 的数据和6 支
Apf 的数据)制定一种分类方法,类别是已经给定的(Af 或Apf)。今后,我们将9 支-233-
Af 及6 支Apf 的数据集合称之为学习样本。
2.2 多层前馈网络
为解决上述问题,考虑一个其结构如下图所示的人工神经网络,
激活函数由
1 exp( )
( ) 1
v
v
α
?
+ ?
=
来决定。图中最下面单元,即由?所示的一层称为输入层,用以输入已知测量值。在
我们的例子中,它只需包括两个单元,一个用以输入触角长度,一个用以输入翅膀长度。中间一层称为处理层或隐单元层,单元个数适当选取,对于它的选取方法,有一些文献进行了讨论,但通过试验来决定,或许是最好的途径。在我们的例子中,取三个就足够了。最上面一层称为输出层,在我们的例子中只包含二个单元,用以输出与每一组输入数据相对应的分类信息.任何一个中间层单元接受所有输入单元传来的信号,并把处理后的结果传向每一个输出单元,供输出层再次加工,同层的神经元彼此不相联接,输入与输出单元之间也没有直接联接。这样,除了神经元的形式定义外,我们又给出了网络结构。有些文献将这样的网络称为两层前传网络,称为两层的理由是,只有中间层及输出层的单元才对信号进行处理;输入层的单元对输入数据没有任何加工,故不计算在层数之内。
为了叙述上的方便,此处引人如下记号上的约定:令s 表示一个确定的已知样品标
号,在蠓虫问题中,s = 1,2,L,15,分别表示学习样本中的15 个样品;当将第s个样
品的原始数据输入网络时,相应的输出单元状态记为O s (i = 1,2)
i ,隐单元状态记为
) 3 , 2 , 1 ( = j H sj
,输入单元取值记为I s (k = 1,2)
k 。请注意,此处下标i, j,k 依次对应于
输出层、中间层及输入层。在这一约定下,从中间层到输出层的权记为ij w ,从输入层
到中间层的权记为jk w 。如果ij w ,jk w 均已给定,那么,对应于任何一组确定的输入( , ) 1 2
I s I s ,网络中所有单元的取值不难确定。事实上,对样品s而言,隐单元j的输入
是
Σ=
=
2
k 1
s
jk k
s
j h w I (5)
相应的输出状态是
Σ=
= =
2
1
( ) ( )
k
s
jk k
s
j
sj H
?
h
?
w
I
(
6)
由此,输出单元i 所接收到的迭加信号是
-234-
ΣΣΣ
= = =
= =
3
1
3
1
2
1
( )
j j k
s
ij jk k
sj
ij
s
i h w H w ?w I (7)
网络的最终输出是
( ) ( ) ( ( ))
3
1
2
1
3
1
ΣΣΣ
= = =
= = =
j k
s
ij jk k
j
sj
ij
s
i
s
i O ?h ?w H ?w ?w I (8)
这里,没有考虑阈值,正如前面已经说明的那样,这一点是无关紧要的。还应指出的是,对于任何一组确定的输入,输出是所有权{ , } ij jk w w 的函数。
如果我们能够选定一组适当的权值{ , } ij jk w w ,使得对应于学习样本中任何一组Af
样品的输入( , ) 1 2
I s I s ,输出( , ) (1,0) 1 2 O s O s = ,对应于Apf 的输入数据,输出为(0,1),
那么蠓虫分类问题实际上就解决了。因为,对于任何一个未知类别的样品,只要将其触角及翅膀长度输入网络,视其输出模式靠近(1,0)亦或(0,1),就可能判断其归属。当然,有可能出现介于中间无法判断的情况。现在的问题是,如何找到一组适当的权值,实现上面所设想的网络功能。
2.3 向后传播算法
对于一个多层网络,如何求得一组恰当的权值,使网络具有特定的功能,在很长一
段时间内,曾经是使研究工作者感到困难的一个问题,直到1985 年,美国加州大学的
一个研究小组提出了所谓向后传播算法(Back-Propagation),使问题有了重大进展,这
一算法也是促成人工神经网络研究迅猛发展的一个原因。下面就来介绍这一算法。
如前所述,我们希望对应于学习样本中Af 样品的输出是(1,0),对应于Apf 的输出
是(0,1),这样的输出称之为理想输出。实际上要精确地作到这一点是不可能的,只能
希望实际输出尽可能地接近理想输出。为清楚起见,把对应于样品s 的理想输出记为{ s}
i T ,那么
= Σ?
i s
s
i
s
i E W T O
,
( )2
2
( ) 1 (9)
度量了在一组给定的权下,实际输出与理想输出的差异,由此,寻找一组恰当的权的问题,自然地归结为求适当W 的值,使E(W)达到极小的问题。将式(8)代入(9),有ΣΣΣ
= =
= ?
s i j k
s
ij jk k
s
i E W T w w I
,
2
3
1
2
1
[ ( ( ))]
2
( ) 1 ??(10)
易知,对每一个变量ij w 或ij w 而言,这是一个连续可微的非线性函数,为了求得其极
小点与极小值,最为方便的就是使用最速下降法。最速下降法是一种迭代算法,为求出
E(W)的(局部)极小,它从一个任取的初始点0 W 出发,计算在0 W 点的负梯度方向—( ) 0 ?E W ,这是函数在该点下降最快的方向;只要( ) 0 0 ?E W ≠,就可沿该方向移动
一小段距离,达到一个新的点( ) 1 0 0 W =W ?η?E W ,η是一个参数,只要η足够小,
定能保证( ) ( ) 1 0 E W 的具体形式是非常重要的,下面我们就来给出这一形式表达。 对于隐单元到输出单元的权ij w 而言,最速下降法给出的每一步的修正量是 -235- = Σ? = Σ ? ? Δ = ? s s sj s i sj s i s i s i ij ij T O h H H w w ηE η[ ]?'( ) ηδ(11) 此处令 ' ( )[ s ] i s i s i s i δ=?h T ?O (12) 对输入单元到隐单元的权jk w = Σ? ? ? Δ = ? s i sj sj ij s i s i s i jk jk T O h w h I w w E , ηη[ ]?'( ) ?'( ) = Σ= Σ s s k s j s i s k sj ij s i ηδw ?h I ηδI , ' ( ) (13) 此处 = Σ i s ij i sj s j δ?'(h ) w δ 从(11)和(13)式可以看出,所有权的修正量都有如下形式,即 Δ = Σ s sq sp pq w ηδv (14) 指标p 对应于两个单元中输出信号的一端,q 对应于输入信号的一端,v 或者代表H 或者代表I 。形式上看来,这一修正是“局部”的,可以看作是Hebb 律的一种表现形式。还应注意,s i δ 由实际输出与理想输出的差及s i h 决定,而s j δ则需依赖s i δ 算出,因此, 这一算法才称为向后传播算法。稍加分析还可知道,利用由(11)~(13)式所给出的 计算安排,较之不考虑sp δ的向后传播,直接计算所有含?'的原表达式,极大地降低了 计算工作量。这组关系式称作广义δ?法则,它们不难推广到一般的多层网络上去。 利用这一迭代算法,最终生成在一定精度内满足要求的{ , } ij jk w w 的过程,称为人 工神经网络的学习过程。可以看出,这里所提供的学习机制是元与元之间权的不断调整,学习样本中任何一个样品所提供的信息,最终将包含在网络的每一个权之中。参数η的 大小则反映了学习效率。 为了更有效地应用BP 算法,我们做出如下一些补充说明。 (i)在式(11)与(13)中,ij jk Δw ,Δw 表示为与所有样品s有关的求和计算。 实际上,我们还可以每次仅考虑输入一个样品所造成的修正,然后,按照随机选取的顺序,将所有样品逐个输入,不断重复这一手续,直至收敛到一个满意的解为止。 (ii)在如上的算法中,利用实际输出与理想输出差的平方和作为度量{ , } ij jk w w 优 劣的标准,这并不是唯一的度量方式,完全可以从其它的函数形式出发,例如从相对熵出发,导出相应的算法。 (iii)在如上的讨论中使用的是最速下降法,显然,这也不是唯一的选择,其它的 非线性优化方法,诸如共轭梯度法,拟牛顿法等,都可用于计算。为了加速算法的收敛速度,还可以考虑各种不同的修正方式。 (iv)BP 算法的出现,虽然对人工神经网络的发展起了重大推动作用,但是这一 算法仍有很多问题.对于一个大的网络系统,BP 算法的工作量仍然是十分可观的,这 主要在于算法的收敛速度很慢。更为严重的是,此处所讨论的是非线性函数的优化,那么它就无法逃脱该类问题的共同困难:BP 算法所求得的解,只能保证是依赖于初值选 取的局部极小点。为克服这一缺陷,可以考虑改进方法,例如模拟退火算法,或从多个 -236- 随机选定的初值点出发,进行多次计算,但这些方法都不可避免地加大了工作量。 2.4 蠓虫分类问题的求解 下面利用上文所叙述的网络结构及方法,对蠓虫分类问题求解。编写Matlab 程序 如下: clear p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 1.40,1.70;1.48,1.82;1.54,1.82;1.56, 2.08]; p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 1.28, 2.00;1.30,1.96]; p=[p1;p2]'; pr=minmax(p); goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)]; plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o') net=newff(pr,[3,2],{'logsig','logsig'}); net.trainParam.show = 10; net.trainParam.lr = 0.05; net.trainParam.goal = 1e-10; net.trainParam.epochs = 50000; net = train(net,p,goal); x=[1.24 1.80;1.28 1.84;1.40 2.04]'; y0=sim(net,p) y=sim(net,x) §3 处理蠓虫分类的另一种网络方法 3.1 几个有关概念 在介绍本节主要内容之前,首先说明几个不同的概念。在上一节中,我们把利用 BP 算法确定联接强度,即权值的过程称为“学习过程”,这种学习的特点是,对任何一个输入样品,其类别事先是已知的,理想输出也已事先规定,因而从它所产生的实际输出与理想输出的异同,我们清楚地知道网络判断正确与否,故此把这一类学习称为在教师监督下的学习;与它不同的是,有些情况下学习是无监督的,例如,我们试图把一组样品按其本身特点分类,所要划分的类别是事先未知的,需要网络自身通过学习来决定,因而,在学习过程中,对每一输入所产生的输出也就无所谓对错,对于这样的情况,显然BP 算法是不适用的。 另一个有关概念是所谓有竞争的学习。在上节所讨论的蠓虫分类网络中,尽管我们 所希望的理想输出是(1,0)或(0,1),但实际输出并不如此,一般而言,两个输出单元均 同时不为0。与此不同,我们完全可以设想另外一种输出模式:对应任何一组输入,所 有输出单元中,只允许有一个处于激发态,即取值为1,其它输出单元均被抑制,即取 值为0。一种形象的说法是,对应任何一组输入,要求所有的输出单元彼此竞争,唯一 的胜利者赢得一切,失败者一无所获,形成这样一种输出机制的网络学习过程,称为有竞争的学习。 3.2 最简单的无监督有竞争的学习 本节叙述一种无监督有竞争的网络学习方法,由此产生的网络可用来将一组输入样 品自动划分类别,相似的样品归于同一类别,因而激发同一输出单元,这一分类方式, 是网络自身通过学习,从输入数据的关系中得出的。 蠓虫分类问题对应有教师的网络学习过程,显然不能由如上的方法来解决。但在这 种无监督有竞争的学习阐明之后,很容易从中导出一种适用于有监督情况的网络方法;此外,本节所介绍的网络,在数据压缩等多种领域,都有其重要应用。 -237- 考虑一个仅由输入层与输出层组成的网络系统,输入单元数目与每一样品的测量值 数目相等,输出单元数目适当选取。每一个输入单元与所有输出单元联接,第j 个输入元到第i 个输出元的权记为ij w ,同层单元间无横向联接。无妨假设所有输入数值均已规化到[?1,1]之间,又因为是有竞争的学习,输出单元只取0 或1 两个值,且对应每一 组输入,只有一个输出元取1。 取1 的输出元记为i*,称之为优胜者.对于任何一组输入s,规定优胜者是有最大 净输入的输出元,即对输入( , , ) 1 n I = I L I 而言, =Σ≡? j i ij j i h w I W I (15) 取最大值的单元,其中i W 是输出元i 所有权系数组成的向量,也就是说 W I W I i i?≥?* ,(?i) (16) 如果权向量是按照Σ= j ij w2 1的方式标准化的,(16)式等价于 | | | | * W I W I i i ?≤?,(?i) (17) 即优胜者是其标准化权向量最靠近输入向量的输出元。令1 * = i O ,其余的输出 = 0 i O 。这样的输出规定了输入向量的类别,但为了使这种分类方式有意义,问题化 为如何将学习样本中的所有样品,自然地划分为聚类,并对每一聚类找出适当的权向量。为此,采用如下的算法:随机取定一组不大的初始权向量,注意不使它们有任何对称性。然后,将已知样品按照随机顺序输入网络。对输入样品s,按上文所述确定优胜者i*, 对所有与i*有关的权作如下修正 ( ) * i* j sj i j Δw =ηI ?w (18) 所有其它输出单元的权保持不变。注意到1 * = i O ,O 0(i i* ) i = ≠,所有权的修正公式可统一表示为 ( ) * i* j sj i j i Δw =ηO I ?w 这一形式也可视为Hebb 律的一种表现。(18)式的几何意义是清楚的,每次修正将优 胜者的权向量向输入向量移近一小段距离,这使得同一样品再次输入时,i*有更大的 获胜可能。可以合理地预期,反复重复以上步骤,使得每个输出单元对应了输入向量的一个聚类,相应的权向量落在了该聚类样品的重心附近。当然,这只是一个极不严密的 特别应当指出,上述算法,对于事先按照Σ= 1 j I 标准化了的输入数据更为适用, 整个过程不难由计算机模拟实现。 为了更有效地使用如上算法,下面对实际计算时可能产生的问题,作一些简要说明。 首先,如果初始权选择不当,那么可能出现这样的输出单元,它的权远离任何输入 向量,因此,永远不会成为优胜者,相应的权也就永远不会得到修正,这样的单元称之为死单元。为避免出现死单元,可以有多种方法。一种办法是初始权从学习样本中抽样选取,这就保证了它们都落在正确范围内;另一种办法是修正上述的学习算法,使得每 一步不仅调整优胜者的权,同时也以一个小得多的η值,修正所有其它的权。这样,对于总是失败的单元,其权逐渐地朝着平均输入方向运动,最终也会在某一次竞争中取胜。此外,还存在有多种处理死单元的方法,感兴趣的读者可从文献中找到更多的方法。 -238- 另外一个问题是这一算法的收敛性。如果式(18)或(19)中反映学习效率的参数