bp神經(jīng)網(wǎng)絡(luò)方法ppt課件(存儲(chǔ)版)
【正文】 輸出與期望輸出的誤差； )()]([)()1( txtydtwtw ijjijij ???? ?式中， （ 4）返回 (2) ，直到對(duì)所有訓(xùn)練模式網(wǎng)絡(luò)輸出均能滿(mǎn)足要求。 設(shè)輸入模式向量 ， ，共 M類(lèi)。 第三步：計(jì)算神經(jīng)元的實(shí)際輸出。 性能優(yōu)勢(shì)：識(shí)別、分類(lèi) 1．多層感知器 針對(duì)感知器學(xué)習(xí) 算法的局限性：模式類(lèi)必須線(xiàn)性可分。 BP算法步驟： 第一步：對(duì)權(quán)值和神經(jīng)元閾值初始化： (0， 1)上分布的隨機(jī)數(shù)。 BP算法存在問(wèn)題： * 存在局部極小值問(wèn)題； * 算法收斂速度慢； * 隱層單元數(shù)目的選取無(wú)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。 ??jjjkk ywne t)( kk n e tfy ? 對(duì)輸入模式 Xp，若輸出層中第 k個(gè)神經(jīng)元的期望輸出為 dpk，實(shí)際輸出為 ypk。 BP網(wǎng)絡(luò) BP網(wǎng)絡(luò)：采用 BP算法（ BackPropagation Training Algorithm） 的多層感知器。 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(gè)神經(jīng)元的閾值。 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)。 神經(jīng)網(wǎng)絡(luò)的最重要特征之一。 回顧性綜述文章“神經(jīng)網(wǎng)絡(luò)與人工智能” 。 (2) 很強(qiáng)的自適應(yīng)學(xué)習(xí)能力； (3) 可將識(shí)別和若干預(yù)處理融為一體進(jìn)行； (4) 并行工作方式； (5) 對(duì)信息采用分布式記憶，具有魯棒性。 優(yōu)點(diǎn)： (1) 較強(qiáng)的容錯(cuò)性 。 第四個(gè)階段： 1987年至今，趨于平穩(wěn)。 實(shí)質(zhì)： 1． Hebb學(xué)習(xí)規(guī)則 典型的權(quán)值修正方法： Hebb學(xué)習(xí)規(guī)則、誤差修正學(xué)習(xí) 如果神經(jīng)網(wǎng)絡(luò)中某一神經(jīng)元與另一直接與其相連的神經(jīng) 元同時(shí)處于興奮狀態(tài)，那么這兩個(gè)神經(jīng)元之間的連接強(qiáng)度應(yīng) 該加強(qiáng)。 —— 反饋網(wǎng)絡(luò) 相互連接結(jié)構(gòu) 前饋神經(jīng)網(wǎng)絡(luò) 感知器 感知器（ Perceptron）： F． Rosenblatt于 1957年提出。 * 感知器采用監(jiān)督學(xué)習(xí)算法得到權(quán)值； * 權(quán)值更新方法： δ學(xué)習(xí)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1