bp神經(jīng)網(wǎng)絡(luò)模型教案-全文預(yù)覽
【正文】 yo?yo? ?12, , , qd d d?od BP網(wǎng)絡(luò)的標準學習算法 ?輸入層與中間層的連接權(quán)值 : ?隱含層與輸出層的連接權(quán)值 : ?隱含層各神經(jīng)元的閾值 : ?輸出層各神經(jīng)元的閾值 : ?樣本數(shù)據(jù)個數(shù) : ?激活函數(shù) : ?誤差函數(shù)： ihwf()?howhb1, 2 ,km?ob211 ( ( ) ( ) )2qoooe d k y o k???? BP網(wǎng)絡(luò)的標準學習算法 ?第一步，網(wǎng)絡(luò)初始化 ?給各連接權(quán)值分別賦一個區(qū)間（ 1， 1）內(nèi)的隨機數(shù)，設(shè)定誤差函數(shù) e，給定計算精度值 和最大學習次數(shù) M。 ?隱含層輸入向量； ?隱含層輸出向量 。 J. McClelland David Rumelhart BP神經(jīng)網(wǎng)絡(luò)模型 ?三層 BP網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)模型 ?激活函數(shù) ?必須處處可導(dǎo) 一般都使用 S型函數(shù) ?使用 S型激活函數(shù)時 BP網(wǎng)絡(luò)輸入與輸出關(guān)系 ?輸入 ?輸出 1 1 2 2 ... nnn e t x w x w x w? ? ? ?1f ( )1e n e ty n e t ??? ? BP神經(jīng)網(wǎng)絡(luò)模型 ?輸出的導(dǎo)數(shù) 211f 39。于是，我們就根據(jù)實際輸出與理想輸出的差來修正權(quán)值，以縮小這種差別。一種常用的函數(shù)是Sigmoid函數(shù)。人們通過 學習 可以不斷地改變腦細胞之間的連接方式，使這個網(wǎng)絡(luò)的功能不斷提高。下圖表示它的數(shù)學模型，這里 是輸入， 是輸出， 是神經(jīng)元內(nèi)部狀態(tài)。 神經(jīng)網(wǎng)絡(luò)概述 人的大腦約由 個神經(jīng)細胞 (也稱神經(jīng)元）組成，細胞之間通過樹突和軸突互相連接，構(gòu)成縱橫交錯的網(wǎng)絡(luò)結(jié)構(gòu)。由于它模擬了人腦的思維模式，即具有一定的智能，且的確能解決許多用傳統(tǒng)方法不能或難于解決的復(fù)雜問題，使之更加精確化，如更精確的分類、非線性規(guī)劃的求解、著名的 “ 旅行員推銷問題 ” 的解決等（ 注：在近年來的實際應(yīng)用，尤其在大學生數(shù)學建模競賽中許多獲獎隊在解決問題是均是以運用神經(jīng)網(wǎng)絡(luò)方法作為成功的法寶，如 2022年 A題中國科技大學 5個隊獲全國一等獎，運用的均是神經(jīng)網(wǎng)絡(luò)方法 ）。因此，一個神經(jīng)元就是一個簡單的系統(tǒng)，或者說是一個邏輯元件。這樣一種 “ 分布方式 ” 并不因單個腦細胞的死亡而消失。 是一個函數(shù)，它有幾種典型選法。這組輸出值當然不是我們的理想輸出值。 BP神經(jīng)網(wǎng)絡(luò)模型與學習算法 BP神經(jīng)網(wǎng)絡(luò)概述 ?Rumelhart， McClelland于 1985年提出了 BP網(wǎng)絡(luò)的誤差反向后傳 BP(Back Propagation)學習算法 ?BP算法基本原理 ?利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。 BP網(wǎng)絡(luò)的標準學習算法 算法思想 ?學習的類型：有導(dǎo)師學習 ?核心思想： ? 將輸出誤差 以某種形式 通過隱層向輸入層逐層反傳 ?學習的過程： ?信號的正向傳播 誤差的反向傳播 將誤差分攤給各層的所有單元－－－各層單元的誤差信號 修正各單元權(quán)值
公司管理相關(guān)推薦
鄂ICP備17016276號-1