清华大学蒋宗礼教授人工神经网络课程讲义

该资源是清华大学神经网络课程的PPT，涵盖了线性不可分函数以及人工神经网络的基础知识。课程由蒋宗礼教授讲授，旨在让学生了解和掌握人工神经网络的基本概念、模型和应用。 在神经网络领域，线性不可分函数指的是那些无法通过简单的线性边界来分割的数据集。在描述中给出的表格中，可能表示了一些数据点，其中x和y是输入和输出变量，而f1到f16可能是这些数据点经过不同函数变换后的值。这些函数可能包括不同的激活函数，如Sigmoid、ReLU等，用于非线性转换，使得原本线性不可分的数据可以被神经网络正确分类或预测。 课程提到了一些重要的神经网络模型和算法，包括： 1. Perceptron（感知机）：这是一种早期的神经网络模型，用于二分类问题，它的学习规则是在线性的，试图找到一个超平面将两类数据分开。 2. BP（反向传播）：反向传播是多层感知机（Multilayer Perceptron, MLP）中最常用的训练算法，通过梯度下降法调整权重，以最小化损失函数。 3. CPN（竞争型神经网络）：这种网络模型中，神经元之间存在竞争关系，只有一部分神经元会被激活，常用于特征选择或聚类任务。 4. Hopfield网与BAM（双向联想记忆）：Hopfield网络是一种用于存储和恢复模式的反馈网络，BAM则是一种可以同时处理正向和反向信息的联想记忆模型。 5. ART（自适应共振理论）：这是一种自组织的神经网络模型，用于模式识别和分类，能够动态地调整自身的结构以适应新输入。 课程的目标是使学生理解智能系统的基本模型，掌握神经网络的核心概念，包括网络结构、训练算法和实际应用。通过实验，学生可以加深对模型的理解，积累实践经验，并结合自己的研究课题进行深入学习和研究。 此外，课程推荐了多本经典教材和参考书目，如蒋宗礼的《人工神经网络导论》，以及Wasserman、胡守仁等人的著作，这些书籍可以帮助学生更全面地学习和探索神经网络的理论和实践。 总结起来，这个资源提供了丰富的神经网络理论知识和实际应用的背景，对于想深入了解和学习神经网络的初学者来说是非常有价值的参考资料。