【摘要】：其中，输入层、隐含层和输出层类似于前馈神经网络，承接层是用来记忆隐含层单元前一时刻的输出值，作为一步延时算子，以达到记忆的目的。w3、w2、w1分别表示隐含层到输出层、输入层到隐层、承接层到隐含层的连接权值。g(.)为输出神经元的传递函数，是隐含层输出的线性组合。
网络简介_认知负荷的评估与变化预测研究
一、Elman网络简介
Elman网络由Elman于1990年提出。该网络在前馈网络基本结构的基础上，在隐含层中增加一个承接层，其结构包括四层:输入层、隐含层、承接层和输出层(见图4.10)。其中，输入层、隐含层和输出层类似于前馈神经网络，承接层是用来记忆隐含层单元前一时刻的输出值，作为一步延时算子，以达到记忆的目的。隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而可达到动态建模的目的。
图4.10
Elman神经网络的学习过程为:
Elman网络的非线性状态空间表达式为:
y(k)=g(w3x(k))
x(k)=f(w1xc(k)+w2(u(k－1))
xc(k)=x(k－1)
其中，y，x，u，xc分别表示m维输出神经元向量，n维隐含层神经元向量，r维输入向量和n维反馈状态向量。w3、w2、w1分别表示隐含层到输出层、输入层到隐层、承接层到隐含层的连接权值。g(.)为输出神经元的传递函数，是隐含层输出的线性组合。f(.)为隐含层神经元的传递函数，常采用S型函数。
Elman网络也采用BP算法进行权值修正，学习指标函数采用均方误函数:
其中y～k(w)为期望输出向量。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
