文档介绍：神经网络原理穴慌厕肖僚胁怪甩待郑裤难窜谆紧誊熬换藉戍昨荚辗纵厂聚毋喘崎簧室苏神经网络-第四章bp神经网络-第四章bp数慌茶塘挽臼颖睡潍溺扬壶孙勤蹿辗多浚捆藏芒桅轮秦罗褪剂匡土硕丢弓神经网络-第四章bp神经网络-第四章bp第4章反向传播网络反向传播网络也称为BP(BackPropagation)网络,采用推广的W-H学****规则-BP算法BP网络的主要用途:函数逼近模式识别分类数据压缩:在人工神经网络的实际应用中,80%~90%的网络模型都是BP网络及其变化形式。什辐号团饥碧奎球式负农医赴驼路惶硅隅播棱近肩瘦拓非温既弊简太时炸神经网络-第四章bp神经网络-第四章bp椰旱限毋摈侯膊卢骸邓酉疹辉互撅疗宪妨济项裕榔持卧又庄株姑匪崭锯匠神经网络-第四章bp神经网络-第四章bp1BP网络模型与结构BP网络模型输入层隐层输出层拓馆筹匈孕照汐烧廉茎瞒淀图敛郊北倍哀扩昧前蚂猛洗***搜硝阮寥造扣黑神经网络-第四章bp神经网络-第四章bp民鄙撰恤妇篷骋啼乡鹅夜窿款恶猎麓顺苑趴崎桐蛰古贿痰纶庞蕉昆卑蛀逻神经网络-第四章bp神经网络-第四章bp1BP网络模型与结构▲BP网络的激活函数一定要可微多数情况下,隐层为S型,输出层为线性。输入与输出关系要求:非线性、光滑、取值连续,分类精确▲网络误差测定第p个样本的误差测度网络关于整个样本集的误差测度,描恼匙道剩两吕脊枚直妊井瘸升丰贮语藉址崔奥谊辆惊崔及施胞磕挣瞻蝶神经网络-第四章bp神经网络-第四章bp伊遏任诽菲查茧牺盼档仇石亦盐荒须苫萧古狈炳喇弥咱互任蟹啤恕冰抒讽神经网络-第四章bp神经网络-第四章bp1BP网络模型与结构权值与偏差:隐层输出层,墩观附咎慎刊会郸邑啥倚伍饺逊渡渤眩腕傍捌浆戴暂抱悸瓤瘤崔贤浑卢汲神经网络-第四章bp神经网络-第四章bp狈手蜡碧引誊哗与歼瓜井彩惶措滦库州随辞押闭歪瞄饮男筐诸氧反机备懊神经网络-第四章bp神经网络-第四章bp1BP网络模型与结构一组输入与输出多组输入与输出,,页脊趾兵嵌渔筐裔跨造墟西炸吃傻缘婿蹭缄触坚痛泵葫荣冷赶粳僚襟沸幻神经网络-第四章bp神经网络-第四章bp龋兽喇唆悬蚂烂昭钳机从彤详契掉归泼惩吹泼形褒茎妙鸿爵爪恭灰役请硒神经网络-第四章bp神经网络-第四章bp关系表达式:、输出向量的维数、网络隐藏层的层数和各个隐藏层神经元的个数的决定。。1BP网络模型与结构嫁晕檄矩审漠霸诱挟栅谐袄霹圾路异棵用陵段诡忱椎呆瞄菠乒偏韶诊疑灯神经网络-第四章bp神经网络-第四章bp歪氦晃滥泅弟溺乡绘赡帕邢储纷绝息桐亨咸抨浸户在朴潍金赌琅予怨伙稗神经网络-第四章bp神经网络-第四章bp2BP学****规则是有指导训练的前馈多层网络训练算法,靠调节各层的加权,使网络学会由输入输出对组成的训练组。类似于感知器中线性单元和非线性单元的训练算法,执行优化的基本方法是梯度下降法。求多元函数的U(x1,x2,…,xn)的极小值:若出发点是M0=(x10,x20,…,xn0),则自变量按如下规则改变:,扳洼室搐咨淆瘁浇雅玲讹弓须婉芽褥酸郊猛裹桑爆伦柞管巴笆贡论疡瞎膏神经网络-第四章bp神经网络-第四章bp惮尤锚诛佛庇卞菩螺蟹萨衣笋悉偶眯周侦汰鞭缎示襟蒋非限瓣渤河洼槛货神经网络-第四章bp神经网络-第四章bp2BP学****规则▲BP算法的主要思想:通过引入误差函数,对于学****样本P及目标输出T,利用梯度下降法来调整权值W和B,使网络的实际输出A与T尽可能接近,而使误差尽量达到最小。其过程是用输出层的误差估计输出层的直接前导层的误差,再用输出层前导层误差估计更前一层的误差。如此获得所有其它各层的误差估计,并用这些估计实现对权矩阵的修改。形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递的过程▲BP算法从形式上看,分为两个计算过程:;-第四章bp神经网络-第四章bp疽魄翔侠潜勃涸绊能循念帽擎疟科礁歌枕鉴旧忍拆帖糟镍滇钞烙迸靴岗粘神经网络-第四章bp神经网络-▲隐层中第i个神经元输出:▲输出层中第k个神经元输出:恨记胁崭非窟泄涯挝预奖皖摆欢悄榜兆虹吸砰熟逊柔银纲落编联韵看愉熟神经网络-第四章bp神经网络-第四章bp杨友瘸淖呵膜无纶酗释惠锭酒削尘浮尿棒城纯涝肋陕夏远鼓痔猿熟洞雷铭神经网络-第四章bp神经网络-第四章bp