神經網絡之bp神網絡-全文預覽
【正文】 ???????????其中：個節(jié)點的誤差為：隱藏層第為輸出層的閾值為隱藏層輸出為輸出層權值個輸出的實際值為第個輸出的期望值為第其中：個輸出節(jié)點的誤差為：第系統(tǒng)誤差：)()()()(139。. ? BLF – 學習函數，默認為 39。1 神經網絡與應用 11月 16日 2 第六章 BP網絡 3 BP網基本概念 ? 目前實際應用中最常用 ? 采用（ Back Propagation－ BP）學習算法 ? 多層前饋型神經網絡 ? 隱藏層神經元傳遞函數為 S型函數 ? 可以解決非線性問題 ? 用于函數逼近、模式識別和數據壓縮等 4 BP神經元模型 5 BP神經元常用的 f函數 0)1,0(),(11Slog)(??????????????ycccapeas i giicpii時逼近直線時逼近階越函數型函數（壓縮函數）（對數）6 BP神經元常用的 f函數 )1,1(S)t a n h (St a n?????????icpcpcpcpiiaeeeepas i giiii函數的主要區(qū)別在于：與函數（雙曲正切函數）正切7 BP神經元常用的 f函數 ? purelin線性函數 ? 僅限于最后一層（輸出層），目的是擴大輸出的取值范圍 8 BP神經元常用的 f函數 ? BP網絡所采用的傳遞函數均是可微的單調遞增函數，非線性主要由 S函數體現 ? 以上三個函數分別有對應的導函數（對于學習算法十分重要） – logsig():dlogsig() – tansig():dtansig() – purelin():dpurelin() 9 BP網絡結構的一般結構 10 兩層 BP網絡結構 11 BP神經網絡的構建 ? NEWFF(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) ? PR Rx2 矩陣，確定 R維輸入的變化范圍 . ? Si 表示第 i層有幾個神經元 . ? TFi – 第 i層的傳遞函數，默認為 39。trainlm39。mse39。215 如何根據誤差求梯度 ))(1()()(SEE39。39。????????????jjijjilljlljxwyv??????????17 實際訓練分類 ? 模式 – 遞增：每次增加一個輸入樣本重新計算 – 批處理：同時利用所有樣本（常用
環(huán)評公示相關推薦
鄂ICP備17016276號-1