P神经元模型神经元模型简单制作方法

神经网络中最基本的信息处理单元就是M-P神经元模型。一个M-P神经元模型接受来自其他m个神经元传递过来的输入信号。输入信号通过带权重的连接进行传递。到达神经元。神经元对其加权和。得到总输入值。然后将其与神经元的阈值进行比较。如果神经元的总输入值大于它的阈值。神经元就会被唤醒。通过唤醒函数的映射形成输出。具体的计算模型如下图所示：
【P神经元模型神经元模型简单制作方法】

文章插图
目前神经元接受外面的世界信号x1 。x2 。… 。xm,一共有m个信号的输入。这m个输入信号通过传递分别获得了权重w1 。w2 。… 。wm 。然后对其加权累和得到了总输入值。最后将其与目前神经元的阈值进行比较。如果总输入值大于它的阈值。神经元被唤醒。通过唤醒函数的映射形成输出。具体的计算公式如上图所示。
其实M-P神经元模型的本质就是一个广义的线性回归模型。而唤醒函数就相当于广义线性回归模型中的g函数。要解决M-P神经元模型的计算问题。还要有一个具体的唤醒函数。理论上。唤醒函数可以是任意的函数形式。通常使用的有：线性函数、非线性斜面函数、阈值函数、逻辑斯蒂函数。
线性函数f（net）=k*net+c
线性函数只能进行线性变化。不适合用来处理非线性问题。

文章插图
非线性斜面函数

文章插图
γ为大于0的常数。被称为饱和值。是神经元的最大输出。

文章插图
阈值函数

文章插图

文章插图
逻辑斯蒂函数f（net）=a+b/（1+exp（-d*net））
a 。b 。d为常数。它的饱和值为a和a+b 。
a=0 。b=1 。d=1时。简化为最简单的形式：
f（net）= 1/（1+exp（-net））
如下图所示。此时的M-P函数神经元模型就是一个逻辑斯蒂回归函数。

文章插图
逻辑斯蒂函数形如S 。也叫S形函数；将较大范围变化的输入值挤压到（0 。1）的输出值范围内。因此也叫挤压函数；有较好的增益控制能力。也叫增益控制函数。

文章插图

P神经元模型 神经元模型简单制作方法

P神经元模型神经元模型简单制作方法