文档介绍：BP神经网络概述材科1303徐心怡47摘要:BP神经网络是误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。它是目前应用较多的一种神经网络结构。它能以任意精度逼近任意非线性函数,而且具有良好的逼近性能,并且结构简单,是一种性能优良的神经网络。理论研究的深入也促进多种对其的改进方法。关键字:BP网络模型算法缺点改进正文:BP神经网络是1986年提出的一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。1BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。:Oj=f(∑Wij×Xi-qj)输出节点输出模型:Yk=f(∑Tjk×Oj-qk)其中:f-非线形作用函数;q-神经单元阈值。,一般取为(0,1)内连续取值Sigmoid函数:f(x)=1/(1+e-x):Ep=1/2×∑(tpi-Opi)2其中:tpi-i节点的期望输出值;Opi-i节点计算输出值。,即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为:△Wij(n+1)=h×Фi×Oj+a×△Wij(n)其中:h-学习因子;Фi-输出节点i计算误差;Oj-输出节点j的计算输出;a-动量因子2BP算法BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时,传播方向为输入层→隐层→输出层,每层神经元的状态只影响下一层神经元。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。若在输出层得不到期望的输出,则转向误差信号的反向传播流程。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程。在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程。:隐含层第i个节点的输出yi:k:输出层第k个节点的输出ok: :系统对P个训练样本的总误差准则函数为:根据误差梯度下降法依次修正输出层权值的修正量Δwki,输出层阈值的修正量Δak,隐含层权值的修正量Δwij,隐含层阈值的修正量。输出层权值调整公式:输出层阈值调整公式:隐含层权值调整公式:隐含层阈值调整公式:又因为:所以最后得到以下公式:、推导过程严谨、精度较高、通用性较好等优点