CHƯƠNG 2
MÔ HÌNH MẠNG NEURAL NETWORKS
Mô hình mạng Neural tổng quát có dạng như sau :
Ngày nay mạng Neural có thể giải quyết nhiều vấn đề phức tạp đối với con người, áp dụng
trong nhiều lónh vực như nhận dạng, đònh dạng, phân loại, xử lý tín hiệu, hình ảnh v.v…
1. MÔ HÌNH NEURON VÀ CẤU TRÚC MẠNG
1.1 Mô hình neuron
Cấu trúc một Neuron
Ngõ vào một neuron có thể là đại lượng vô hướng hoặc có hướng, đại lượng này được nhân với
trọng số tương ứng để đưa vào neuron, hoặc có thể cộng thêm ngưỡng (bias), thường bằng 1.
Dưới đây là mô hình một neuron với ngõ vào vô hướng p không có ngưỡng b (hình bên trái) và
có ngưỡng b (hình bên phải). Ngõ vào vô hướng p được nhân với trọng số vô hướng w tạo
thành wp, đối số wp (hình bên trái) qua hàm truyền f cho kết quả đầu ra là vô hướng a = f(wp).
Hình bên phải là neuron có ngưỡng b, giá trò b được cộng với wp rồi qua hàm truyền f cho kết
quả đầu ra là vô hướng a = f(wp+b). Có thể điều chỉnh những thông số của neuron như trọng
số và ngưỡng (w và b) để đạt được yêu cầu mong muốn nghóa là “huấn luyện” mạng.
Hàm truyền
Có rất nhiều hàm truyền áp dụng trong Neural Networks, trong đó ba hàm thường sử dụng nhất
là Hard Limit, Linear, Log-Sigmoid.
Tổng quát với một hàm truyền có đầu vào là một hoặc một nhóm vector thì đầu ra là
a = f ( p * w + b ).
Với a : đầu ra
p : đầu vào
w : trọng số
b : ngưỡng
f : hàm truyền
Vậy một ngõ vào với các hàm truyền khác nhau sẽ cho các kết quả khác nhau. Để có giải
pháp tối ưu thì cần phải có kinh nghiệm sử dụng các hàm truyền hoặc phải tốn một khoảng thời
gian để thử nghiệm hàm truyền.
Neuron với Vector nhập
Một neuron được cho trên hình vẽ sau với vector nhập p = [p

Hai hay nhiều neuron kết hợp thành một lớp, và một mạng riêng biệt có thể chứa một hay
nhiều lớp neuron.
Một lớp neuron
Trong hình dưới mô tả một lớp neuron với : R : số phần tử của vectơ đầu vào
S : số neuron trong lớp
a : vector ngõ ra của lớp neuron
Ma trận trọng số W :












=
RSSS
R
R
www
www
www
W
,2,1,
,22,11,2
,12,11,1