bp神經(jīng)網(wǎng)絡(luò)方法ppt課件-wenkub
2023-01-20 03:16:50 本頁面
【正文】 (1) 較強(qiáng)的容錯性 。 人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況 人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Networks， ANN)： 簡稱神經(jīng)網(wǎng)絡(luò)。 (2) 很強(qiáng)的自適應(yīng)學(xué)習(xí)能力； (3) 可將識別和若干預(yù)處理融為一體進(jìn)行； (4) 并行工作方式； (5) 對信息采用分布式記憶，具有魯棒性。 《 感知器 》 (Perceptions)一書出版，指出局限性 。 回顧性綜述文章“神經(jīng)網(wǎng)絡(luò)與人工智能” 。 人工神經(jīng)元間的互連：信息傳遞路徑軸突 突觸 樹突的簡化； 連接的權(quán)值：兩個互連的神經(jīng)元之間相互作用的強(qiáng)弱。 神經(jīng)網(wǎng)絡(luò)的最重要特征之一。 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)體現(xiàn)在： η：學(xué)習(xí)因子； 權(quán)值變化； 網(wǎng)絡(luò)結(jié)構(gòu)變化。 x 1 x 2 x n ? y M y 1 ? ? ? 感知器結(jié)構(gòu)示意圖 * 雙層（輸入層、輸出層）； * 兩層單元之間為全互連； * 連接權(quán)值可調(diào)。 令 。 算法描述 第一步：設(shè)置初始權(quán)值 wij(1)， w(n+1)j(1)為第 j個神經(jīng)元的閾值。 kjjjj kydkk XWW )]([)()1( ???? ?dj：第 j個神經(jīng)元的期望輸出。 BP網(wǎng)絡(luò) BP網(wǎng)絡(luò)：采用 BP算法（ BackPropagation Training Algorithm） 的多層感知器。 2． BP算法 兩個 階段 正向傳播階段：逐層狀態(tài)更新 反向傳播階段：誤差 BP算法的學(xué)習(xí)過程 設(shè)：某層任一神經(jīng)元 j的 輸入為 j，輸出為 yj； 相鄰低一層中任一 神經(jīng)元 i的輸出為 yi。 ??jjjkk ywne t)( kk n e tfy ? 對輸入模式 Xp，若輸出層中第 k個神經(jīng)元的期望輸出為 dpk，實際輸出為 ypk。 ????????jjjd ??XX,1,1 Mj ,2,1 ??第三步：依次計算每層神經(jīng)元的實際輸出，直到輸出層。 BP算法存在問題： * 存在局部極小值問題； * 算法收斂速度慢； * 隱層單元數(shù)目的選取無一般指導(dǎo)原則； * 新加入的學(xué)習(xí)樣本影響已學(xué)完樣本的學(xué)習(xí)結(jié)果。 ijijij ytwtw ?????
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1