分式线性神经网络模型制造技术

本发明专利技术涉及人工智能技术领域，提出分式线性神经网络模型，该模型包括ｍ层神经元，输入层有１（ｘ）个神经元，第ｉ层有ｉ（ｘ）个神经元，输出层有ｍ（ｘ）个神经元；各层次的神经元之间形成前向全互连连接，各层次内的神经元之间没有连接，将第ｋ层第ｉ神经元的输入和记为Ｉ↓［ｉ］↑［ｋ］，输出记为ｏ↓［ｉ］↑［ｋ］，ｋ－１隐含层第ｉ神经元向ｋ层第ｊ神经元的连接权值记为ｗ↓［ｉ，ｊ］↑［ｋ－１，ｋ］，ｋ层第ｊ神经元的输出函数记为ｆ↓［ｊ］↑［ｋ］，那么ｋ－１隐含层第ｉ神经元和ｋ层第ｊ神经元的操作特性为（见上面）。本发明专利技术解决了无界区域上的非线性连续映射没有建模工具和无界区域上没有决策工具的难题。（*该技术在2024年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及人工智能
，提出分式线性神经网络模型。
技术介绍
人工神经网络从拓扑上可以看成是以处理单元，也叫神经元，为结点，用加权有向弧连结而成的有向图。其中处理单元是对生理神经元的模拟，而有向弧则是“轴突一树突”对的模拟；有向弧的权值标志着两处理单元间相互影响的强弱。综合全部有向弧形成的互联强度矩阵对应于人脑中信息的长期记忆。处理单元用非线性函数实现单元输入与输出间的非线性映射，其即时活跃值对应于人脑中信息的短期记忆。处理单元集合、单元集合的活跃状态、单元间的连接方式、激活模式在网络中的传递规则、把单元输入与当前状态结合起来产生新激活值、各单元所用的输出函数、学习规则、运动环境是刻划一个神经网络模型的8项特征，不同的模型在某些方面可以有很大差异，但在某些方面则大致相同。如图1中圆圈内是处理单元，每一时刻各单元ui有它的活跃值ai(t)。将若干单元的输出和联接矩阵w结合起来以得到某单元净输入的规则叫传递规则。几十年来，人们提出了许多种神经网络模型。这些模型在模式识别、自动控制、信号处理、人工生命、辅助决策等领域得到不断应用发展。其中，反向传播模型(BP(Back propa本文档来自技高网...

【技术保护点】
分式线性神经网络模型，其特征在于，它包括ｍ层神经元，输入层有１（ｘ）个神经元，第ｉ层有ｉ（ｘ）个神经元，输出层有ｍ（ｘ）个神经元；各层次的神经元之间形成前向全互连连接，各层次内的神经元之间没有连接，将第ｋ层第ｉ神经元的输入和记为Ｉ↓［ｉ］↑［ｋ］，输出记为ｏ↓［ｉ］↑［ｋ］，ｋ－１隐含层第ｉ神经元向ｋ层第ｊ神经元的连接权值记为ｗ↓［ｉ，ｊ］↑［ｋ－１，ｋ］，ｋ层第ｊ神经元的输出函数记为ｆ↓［ｊ］↑［ｋ］，那么ｋ－１隐含层第ｉ神经元和ｋ层第ｊ神经元的操作特性为Ｏ↓［ｊ］ ↑［ｋ］＝ｆ↓［ｊ］↑［ｋ］（Ｉ↓［ｊ］↑［ｋ］－θ↓［ｊ］↑［ｋ］）＊＊＊，（ａ↓［１］，ａ↓［２］，…ａ↓［...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨国为，王守觉，
申请(专利权)人：中国科学院半导体研究所，
类型：发明
国别省市：11[中国|北京]