類神經網路的原理

人類的大腦大約由一千億個神經細胞（nerve cells）組成，而每個 神經細胞又有10⁴個神經突觸(synapses)與其他細胞互相連結成一個非 常複雜的神經網路。當人類的感官受到外界刺激經由神經細胞傳遞訊 號到大腦，大腦便會下達命令傳遞至相關的受動器(effector)做出反應

（例如：手的皮膚接觸到燙的物體立即放開並感到疼痛等），這樣的 過程往往需要經由反覆的訓練，才能做出適當的判斷，並且記憶於腦 細胞中。如果大腦受到較嚴重的損害（例如腦震盪患者），便需要藉 由復健的方式，重新學習。類神經網路的運作便源於此，藉由不同的 演算法訓練類神經網路使得神經網路的輸出能達到我們所要求的結 果。如圖 2-3 為一生物神經元的模型，圖中神經核(soma)為神經細胞 呈核狀的處理機構，軸索(axon)為神經細胞成軸索狀的輸送機構，樹 突(dendrites)為神經細胞成樹枝狀的輸出入機構；突觸(synapses)則為 神經細胞神經樹上乘點狀的連結機構。

而類神經網路是由許多的人工神經元(artificial neuron)（又稱類神 經元、人工神經細胞、處理單元(processing element)等）所組成。一

第二章 文獻回顧

個人工神經元的模型顯示如圖2-4 所示，每一個處理單元的輸出以扇 形送出，成為其它許多處理單元的輸入，而處理單元輸出值與輸入值 的關係式如(2-12)式所示，一般用輸入值的加權乘積和之函數來表示 之。圖2-4 與(2-12)式中的參數說明如表 2-2。

圖2-3 生物神經元的模型

（資料來源：鄭錦桐，李錫堤(1996)[23]）

神經核(soma)

軸索(axon) 突觸(synapses)

樹突(dendrites)

第二章 文獻回顧

圖 2-4 人工神經元模型

) (ⁿ _{i j}

i ij

j

f W X

Y

= ∑ −θ ……….……….(2-12)

其中 f 為轉換函數，可表為(2-13)式與圖 2-5

e

x

x

f

₋

= + 1 ) 1

( ……….(2-13)

-10 -5 5 10

0.2 0.4 0.6 0.8 1

圖 2-5 隱藏層輸出層非線性轉換函數

Wij

X1

X2

X3

Xi

‧‧‧

θj netj f Yj

第二章 文獻回顧

(2-12)亦可表示為 )

( _j

j

f net

Y

= ………...………….(2-14)

其中

net 為加法單元（summation）

_j ，可表為

j i n

i ij

j

W X

net

= ∑ −θ ………..(2-15)

表2-2 人工神經元參數說明一覽表

參數 說明

X

i 稱為神經元的輸入(Input)，用來模仿生物神經元模型的輸入 訊號(input signal)。

W

ij

稱為鍵結加權值(weights)，類神經網路的訓練就是在調整鍵 結加權值，使其變得更大或是更小，通常由隨機的方式產生 介於+1 到- 1 之間的初始值。其值越大，則代表連結的神經 元更容易被激發，對類神經網路的影響也更大；反之，則代 表對類神經網路並無太大的影響，而太小的鍵結值通常可以 移除以節省電腦計算的時間與空間。用來模仿生物神經元模 型的神經鏈結強度。

θi 稱為閥值(bias)，有偏移的效果。模仿生物神經元模型的閥值 (threshold value)，又稱偏權值。

net

j 稱為加法單元（summation），此部分是將每一個輸入與鍵結 值相乘後做一加總的動作。

f

又稱之為活化函數（activation function）通常是非線性函數，

有數種不同的型式，其目的是將 netj的值做映射得到所需要 的輸出。用來模仿生物神經元模型的轉換函數（transfer function）。

Y

j 稱之為輸出(output)，亦即我們所需要的結果。用來模仿生物 神經元模型的輸入訊號(Output signal)。

第二章 文獻回顧

將上述的神經元組合起來即成為一個類神經網路(如圖 2-6 為一 典型的BPN 模型)。目前為止，許多的學者針對欲解決問題的不同，

提出許多的 ANN 模型，每一種 ANN 演算法並不相同。常見的網路 有：倒傳遞網路(Back-propagation Network)、霍普菲爾網路(Hopfield Network)、半徑式函數網路(Radial Basis Function Network)，這些網路 並非適用所有的問題，須針對欲解決問題選擇適當的網路方法。本研 究選擇ANN 中之 BPN 與 AASN 作為個案分析之方法。

圖2-6 倒傳遞網路(BPN)模型

在文檔中 中 華 大 學 碩 士 論 文 (頁 39-43)