文档介绍：1神经网络 BP算法案例 2 【例】假设训练样本 s的属性值为{ 1,0,1}, 实际类别分别为 1,两层前馈神经网络 NT 如图 1 所示, NT 中每条有一向加权边的权重、每个隐藏层与输出层单元的偏置如表 1所示,学****率为。写出输入 S训练 NT 的过程。神经网络 BP算法案例图 1 两层前馈神经网络 3 ?首先算出单元 4、5、6的输入、输出,具体结果见表1,然后计算 4、5、6的误差,见表 2;NT中每条有向加权边的新权重、每个隐藏层与输出层单元的新偏置见表 3。图 2 两层前馈神经网络神经网络 BP算法案例 4 表 1 权重、单元的偏置神经网络 BP算法案例 5 单元 j输入 I j输出 O j × 1+ × 0+( -) × 1+( - )= - 1/(l+ e-(- ))= 5(-) × l+ × 0+ × 1+= 1/(l+ e- )= 6(- ) × +( -) × += - 1/(l+ e-(- ))= 表 2 隐藏层与输出层每个单元的输入、输出神经网络 BP算法案例 6 表 3 隐藏层与输出层每个单元的误差单元 j误差 × (1-) × (l- )= × (l-) × ( ×(- ))= - × (l-) × ( ×(- ))= - 神经网络 BP算法案例 7 表 4 有向加权边的新权重、每个隐藏层与输出层单元的新偏置 W 46- + × ×= - W 56- + × ×= - W 14 + ×(-) × 1= W 15- + ×(-) ×1= - W 24 + ×(-) × 0= W 25 + ×(-) × 0= W 34- + ×(-) ×1= - W 35 + ×(-) × 1= ? 6 + × = ? 5 + ×(- )= ? 4- + ×(- )= - 神经网络 BP算法案例由 Apriori 关联算法推算从一家公司的销售记录中我们找到以下 8条消费记录, 并以 3作为最小支持度,也就是说出现频率在 3次以下的记录是被我们所忽略的。所有满足最小支持度 3的1项频繁集如下(其中巧克力、香蕉、葡萄的支持度为 1,不满足条件) 支持度销售内容 3冰淇淋 4咖啡 4果酱 5牛奶 7面包