人工神经网络入门：误差测度与基本模型

"误差测度-清华大学--人工神经网络PPT" 这篇PPT是清华大学关于人工神经网络课程的一部分，由蒋宗礼教授讲解。主要内容涵盖了人工神经网络的基础知识，包括各种网络模型、训练算法和应用。其中，特别强调了误差测度的概念，它是评估神经网络性能的关键指标。 误差测度是用来衡量神经网络预测结果与实际期望输出之间差异的一个量化标准。在描述中提到，通常使用理想输出与实际输出的方差作为误差测度。这意味着，如果神经网络的预测值与预期目标值之间的差异越大，方差也就越大，表示网络的误差也就越高。反之，方差小则表明网络预测的准确性较高。 课程旨在引导学生进入人工神经网络的研究领域，使他们能够理解并掌握智能系统的基本模型、人工神经网络的基本概念以及各种网络结构，如单层网络、多层网络和循环网络。此外，还要求学生熟悉典型训练算法，例如感知机(Perceptron)、反向传播(BP)算法，以及相关的统计方法。同时，课程鼓励学生通过实验加深理解，并通过查阅相关文献将所学知识应用于实际或未来的科研课题。 课程内容还包括了生物神经网络模型、人工神经元模型的激励函数、神经网络的基本拓扑特性，如竞争性自组织映射(CAM)等。通过对这些内容的学习，学生不仅能够理解人工神经网络的工作原理，还能了解其在不同领域的应用，比如Hopfield网络用于联想记忆，BAM（双向联想记忆）网络以及自适应共振理论(ART)在模式识别中的作用。 教材和主要参考书目提供了深入学习的资源，包括蒋宗礼教授的《人工神经网络导论》以及其他的经典著作，如Wasserman的《Neural Computing: Theory and Practice》等。通过这些书籍，学生可以更全面地了解神经网络的理论和实践知识。 这个课程提供了一个全面的框架，让学生能够深入理解和应用人工神经网络，特别是在误差测度方面的理解，这对于优化神经网络的性能和解决实际问题至关重要。