神经网络模型PPT课件.ppt

事实上，人类脑部组织可以纵分为各有所司的两部分：左脑与右脑。左脑负责逻辑与算术功能，右脑负责情绪、形象辨认与直觉。虽然正常人在生活上两者都必须应用，但是大多数的人仅擅长其中一个。科学家与数学家属于左脑导向型，艺术家与作家则较倾向右脑导向，即借重右脑来处理感觉、抽象概念的处理。以传统财务学或投资学中的基本分析与技术分析来说，二者均较倾向于左脑导向，需要大量的数学运算或逻辑推论。但是在对信用风险进行评价时，除了数量方面的客观分析外，主观的定性方面的评价也具有极为重要的份量。也就是说，各项信息在人类大脑中已经累积的知识架构下，经过复杂的接收、处理、传送等程序，才作出最后的判断与决策。此一处理过程仍像个黑箱难以掌握，需要借助一个具有右脑导向的工具来处理，而人工神经网络与模糊分析就是在这样的目的下所发展出来的处理工具，因为人工神经网络就是设法辨认投入资料当中的隐藏关系，再凭以预测未来趋势，很像右脑的功能；模糊分析则容许模糊的资料概念，不要求非黑即白的数值特性，更接近人类思考的模式。第一节人工神经网络据一般估算，人类脑部是由约1000亿个神经细胞（neuron）所组成，而每一个神经细胞都是一个处理单元，负责接收与结合来自其他神经细胞的信息。在同一时刻，脑中千千万万个神经细胞都在同步处理各种信息的接收与传递，这种复杂而精细的过程，使人类能够记忆、思考、累积经验，具有极高的学习能力，而非任何统计方法所能完全取代或是模拟出来的。有基于此，试图仿照生物神经系统，将学习经验纳入评估模型，即成为一个社会科学努力的目标。人工神经网络就是在此一信念下所发展出来的一种方法。人工神经网络的发展可追溯自1943年麦库洛克与彼特（McCullock&Pitts）两位教授所发表的一篇论文“ALogicalCalculusofideasImmanentinNervousActivity”①，该篇论文奠定了人工神经网络发展的理论基础。一、基本特质与结构1．基本特质人工神经网络的构建是由生物神经网络所得到的灵感，基本上是在模拟生物神经系统，结合相关知识，建立一个简化的神经系统模式，希望能够拥有类似人类大脑平行计算及自我学习的能力。所谓自我学习，是利用不断重复的训练过程，使系统本身能够累积经验，达到学习效果。在人工神经网络中，使用了大量的平行网络，网络上布满非线性的计算单元（节点）。网络上一个运作周期就是一个训练过程，由信号运算特性、网络拓扑及学习算法组成。训练过程中所有的知识都是以权值方式储存于节点上，来自其他的神经元所送出的信号，经过节点上的整合函数加权总和，再通过非线性函数的转换，将信号输出至其他神经元，此一程序通过大量的神经元彼此错综复杂的相连，便形成一个基本的人工神经网络架构。其中每经过一次训练过程，就将模拟的结果与实际状况作比较，将其中的差异回馈到系统中，以调整节点的强度，如此即能获致自我组织及自我学习的效果。在与环境互动时，亦可调整自身的结构，以使系统结果能接近真实状况；人工神经网络还具有容错（faulttolerance）的特性，若是网络中有数个单元遭到损坏，不致影响整个网络的功能。训练完成后的网络，就等于具备了一个智慧模组，再有任何资料输入，即可借助隐含在其中的知识来判断输入资料的属性。2．基本结构生物的神经细胞可分为三大部分：感知神经元（sensoryneuron）、运动神经元（motorneuron）与衔接神经元（Interneuron）。感知神经元负责接收及传送讯息，运动神经元负责将信号由脑部传送出去，而衔接神经元是作为神经间的连接。人工神经网络的基本结构即是模仿生物的神经细胞，分为三层：输入层、隐藏层与输出层。每一层内包括若干代表处理单元的节点。输入层的节点负责接收外在信息（见图16—1）。不同于人脑，人脑的输入机制是五官，负责接收各种影像、声音、味道、碰触等的输入信息，而人工神经网络所接受的输入则是各种变量的数量化资料，—个输入变量对应一个输入节点；隐藏层的节点负责处理输入层传来的信息，并转化成中间结果传递给输出层，隐藏层并不限定一层，也可以增加为两层甚至更多；而输出层的节点就以该输出值与期望输出值比较后，得到系统最后的结果，并将结果输出。同一层内的节点相互没有联结，相邻层的节点则完全联结。每一个联结都有一个权值，以权值的大小代表传来信息的重要程度。事实上，权值正代表了网络中的知识，是经过许多次的训练过程所要学到的结果。然而，人工神经网络却不具有这样的能力，而可能估计出5.933或者6.007之类的数字。换言之，如果属于定义清楚的数学问题，却利用人工神经网络来解决，并不妥当。人工神经网络最擅长之处，在于复杂关系的辨认或是型态的对比。人工神经网络的学习模式，若按照网络神经间的联结强弱来划分类，大致可分成三类：（1）固定权重型：不需要任何学习法则。