20xx年醫(yī)學專題—第八篇變形預(yù)報人工神經(jīng)網(wǎng)絡(luò)法(文件)
【正文】 點數(shù)，樣本(y224。,輸出層結(jié)點(ji233。 我們知道，在n維空間定義的函數(shù)Q=Q(x)的改變率為最大的方向是Q在這一點斜量，即梯度,第十四頁，共二十頁。ng)量可表示為,（826）,由式（826），則式（824）可改寫(gǎixiě)為,（827）,由上式可知,第十五頁，共二十頁。)： （1）初始化網(wǎng)絡(luò)學習參數(shù)，即將隱含層和輸出層各節(jié)點的連接權(quán)值、神經(jīng)元閾值賦予某一區(qū)間的一個隨機數(shù),第十六頁，共二十頁。ng)是目前神經(jīng)網(wǎng)絡(luò)模型(m243。BP網(wǎng)絡(luò)主要優(yōu)點如下： （1）算法推導(dǎo)清楚，學習精度較高。 （3）學習算法的收斂速度很慢，通常需要數(shù)千步或更長，甚至還可能不收斂。 （6）誤差函數(shù)的選取問題。,內(nèi)容(n232。ng)預(yù)報的人工神經(jīng)網(wǎng)絡(luò)法。8.2.4 BP網(wǎng)絡(luò)的優(yōu)點及存在的問題,第二十頁，共二十頁。美國加州大學的Rumelhart和MeClelland以及他們的同事在探索人類知識微結(jié)構(gòu)的過程中簡明的提出一種ANN的誤差反向傳播網(wǎng)絡(luò)通常稱為BP網(wǎng)絡(luò)，對應(yīng)的算法稱為誤差反傳算法，它是當今神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一種。ng)總結(jié),第八章 變形(bi224。 （8）如何評價已學習好的網(wǎng)絡(luò)的性能，即評價準則是什么。,在不少局部最小點，在某些初始值的條件下，算法的結(jié)果會陷入局部最小；另一方面，基于BP網(wǎng)絡(luò)的誤差曲面存在一些平坦區(qū)，在此區(qū)內(nèi)誤差改變很小，這些平坦區(qū)多數(shù)發(fā)生在神經(jīng)元的輸出接近于0或1的情況下。 （3）經(jīng)過訓(xùn)練后的BP網(wǎng)絡(luò)，運行速度極快，可用于實時處理。ng)中使用最廣泛的一種，,第十七頁，共二十頁。 （4）正向傳播過程，即對給定的輸入樣本，從第一隱含層開始，依權(quán)值和激勵函數(shù)的作用在輸出結(jié)點算得網(wǎng)絡(luò)輸出值，并計算網(wǎng)絡(luò)輸出與樣點真實輸出之間的均方差， （5）反向傳播過程，即從輸出層反向計算到第一隱含層，首先計算同一層結(jié)點的誤差 ，然后按梯度法修正權(quán)值，再用修正后的各結(jié)點連接權(quán)值轉(zhuǎn)到第（3步）重新計算,8.2.4 BP網(wǎng)絡(luò)的優(yōu)點及存在的問題 BP網(wǎng)絡(luò)模型(m243。)完整的誤差反傳訓(xùn)練算法,8.2.3 BP網(wǎng)絡(luò)的學習步驟 根據(jù)上述所推導(dǎo)的誤差反傳訓(xùn)練算法，BP網(wǎng)絡(luò)的學習步驟如下(ruch233。n)層結(jié)點j的閾值；f(.)是這些結(jié)點的激勵函數(shù)，如式（810）的Sigmoid函數(shù)。 diǎn)，有N個輸入，M個輸出。n fǎ)。nli224。,在應(yīng)用BP網(wǎng)絡(luò)時，必須清楚兩點：第一，網(wǎng)絡(luò)學習過程需要(xūy224。ng)的；但在BP網(wǎng)絡(luò)則不同，它的每一層
法律信息相關(guān)推薦
鄂ICP備17016276號-1