清华大学人工神经网络课程讲义-DeSieno方法解析

"DeSieno法是人工神经网络中的一种训练策略，它涉及调整神经元的阈值。当一个权向量与输入向量的匹配程度超过特定阈值（1/h）时，该神经元的阈值会被暂时提高。这种方法可能会导致一个问题，即如果最应该被某个神经元响应的输入向量在训练后期才出现，它可能会因为阈值提升而被错误地拒绝，从而影响网络的准确性。Kohonen在1988年的研究中指出，在一个完全训练好的网络中，随机选择的输入向量与任何给定权向量匹配的概率是1/h。初始时，按均匀分布初始化的权向量有相等的被匹配概率。 这是一份来自清华大学的关于人工神经网络的PPT讲义，由蒋宗礼教授讲解。教材是《人工神经网络导论》，作者同样是蒋宗礼，并由高等教育出版社于2001年出版。课程旨在为学生提供人工神经网络的入门知识，包括基本概念、各种网络模型（如单层网、多层网、循环网）、训练算法、软件实现方法以及相关的研究思想。课程还包括实验环节，让学生通过实践加深对模型的理解。此外，还推荐了多本相关参考书籍，如Philip D. Wasserman的《Neural Computing: Theory and Practice》等，以扩展学生的阅读和研究范围。 课程的主要内容涵盖智能系统的基础、人工神经网络的基本原理、感知机（Perceptron）、反向传播（BP）算法、竞争性学习网络（CPN）、统计方法、Hopfield网络、双向联想记忆（BAM）以及自组织映射（如ART网络）。这些内容将帮助学生理解和应用人工神经网络解决实际问题，并为他们的未来研究打下坚实基础。"