清华大学蒋宗礼教授《人工神经网络》课程讲义

"这篇资源是清华大学的一份关于人工神经网络的PPT，由蒋宗礼教授主讲。课程旨在引导学生进入人工神经网络的研究领域，介绍基本概念、模型和算法，并通过实验加深理解。教材包括《人工神经网络导论》等多本参考书。课程涵盖智能系统、ANN基础、Perceptron、反向传播(BP)、竞争学习(CPN)、统计方法、Hopfield网、BAM、ART等多个主题。" 在这个PPT中，首先提到了网络运行的公式，即Y=F(XW)和X=F(YWT)，这里的Y和X分别代表神经网络的输入和输出，W和T表示权重，F是神经元的激活函数，通常选择S形函数。激活函数在神经网络中起到非线性转换的作用，使得网络能够处理更复杂的数据模式。 人工神经网络(ANN)是受生物神经元启发的一种计算模型，它由大量的处理单元（神经元）组成，这些单元通过连接权重相互作用，以模拟大脑的并行和分布式处理能力。课程会讲解生物神经网络模型和人工神经元模型，以及各种不同的网络结构，如单层网络、多层网络和循环网络。这些网络模型有不同的特点、训练算法和运行方式，可以应用于解决多种实际问题。 课程的目标是让学生理解和掌握人工神经网络的基础知识，包括智能系统的基本模型、物理符号系统与连接主义的对比、人工神经网络的发展历程。同时，学生还将学习到如何通过实验来体验模型的运用和性能，以及如何结合文献研究，为未来的课题研究打下基础。 课程内容深入到具体的神经网络模型，如感知机(Perceptron)是一种早期的二分类模型，反向传播(BP)是多层网络中最常用的训练算法之一，而Hopfield网络则用于联想记忆和优化问题，BAM（双向联想记忆）和ART（自组织竞争学习）则是其他类型的神经网络模型，它们各自有独特的功能和应用场景。 通过这门课程，学生不仅能够了解到人工神经网络的历史和基本原理，还能掌握实际操作技能，包括使用软件实现神经网络模型，以及如何将学到的知识与自己的研究课题相结合，从而提升研究和应用能力。