【正文】 的 和隱含層各神經(jīng)元的輸出來修正連接權(quán)值 。簡(jiǎn)單地講，它是一個(gè) 數(shù)學(xué)模型 ，可以用 電子線路 來實(shí)現(xiàn)，也可以用 計(jì)算機(jī)程序 來模擬，是人工智能研究的一種方法。 ?（ 2）學(xué)習(xí)的本質(zhì)： ?對(duì)各連接權(quán)值的動(dòng)態(tài)調(diào)整 ?（ 3）學(xué)習(xí)規(guī)則： ?權(quán)值調(diào)整規(guī)則，即在學(xué)習(xí)過程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。 hoew??e 0, 此時(shí) Δwho0 who 回憶 ?激發(fā)函數(shù)一般具有非線性特性 ,常用的非線性激發(fā)函數(shù)如圖所示 (a)閾值型 (b)分段線性型 (c) Sigmoid函數(shù)型 (d)雙曲正切、 常用的激發(fā)函數(shù) 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?（ 1） MATLAB中 BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能 函 數(shù) 名 功 能 newff() 生成一個(gè)前饋 BP網(wǎng)絡(luò) tansig() 雙曲正切 S型 (TanSigmoid)傳輸函數(shù) logsig() 對(duì)數(shù) S型 (LogSigmoid)傳輸函數(shù) traingd() 梯度下降 BP訓(xùn)練函數(shù) 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?（ 2） MATLAB中 BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能 ?newff() 功能 建立一個(gè)前向 BP網(wǎng)絡(luò) 格式 = newff(PR， [S1 S2...SN1]， {TF1 TF2...TFN1}， BTF，BLF， PF) 說明 為創(chuàng)建的新 BP神經(jīng)網(wǎng)絡(luò)； PR為網(wǎng)絡(luò)輸入取向量取值范圍的矩陣； [S1 S2… SNl]表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個(gè)數(shù)； {TFl TF2… TFN1}表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默認(rèn)為 ‘ tansig’； BTF表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為‘ trainlm’； BLF表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默認(rèn)為‘ learngdm’； PF表示性能數(shù)，默認(rèn)為 ‘ mse’。 。 ?=。所以 BP算法是不完備的。},39。它是可導(dǎo)函數(shù)，適用于 BP訓(xùn)練的神經(jīng)元。當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。神經(jīng)元主要由三部分構(gòu)成（ 1）細(xì)胞體（ 2）軸突（ 3）樹突（ 4）突觸 (如圖 ) 神經(jīng)元的結(jié)構(gòu)與功能特性 2. 人工神經(jīng)元的工作過程 對(duì)于某個(gè)處理單元（神經(jīng)元）來說，假設(shè)來自其他處理單元（神經(jīng)元） i的信息為 Xi，它們與本處理單元的互相作用強(qiáng)度即連接權(quán)值為 Wi, i=0,1,…,n 1,處理單元的內(nèi)部閾值為 θ。 神經(jīng)元的結(jié)構(gòu)與功能特性 ???10niiixw而處理單元的輸出為 )xw(fy1n0iii ??? ???那么本處理單元（神經(jīng)元）的輸入為 BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法 ?Rumelhart， McClelland于 1985年提出了 BP網(wǎng)絡(luò)的誤差反向后傳 BP(Back Propagation)學(xué)習(xí)算法 ?BP算法基本原理 ?利用輸出后的誤差來估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)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(jì)。否則，選取下一個(gè)學(xué)習(xí)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。 3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?（ 4）例 23，下表為某藥品的銷售情況，現(xiàn)構(gòu)建一個(gè)如下的三層 BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷售進(jìn)行預(yù)測(cè)：輸入層有三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結(jié)點(diǎn)數(shù)為 1個(gè)，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡(luò)對(duì)藥品的銷售量進(jìn)行預(yù)測(cè)，預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前三個(gè)月的銷售量來預(yù)測(cè)第四個(gè)月的銷售量，如用 3月的銷售量為輸入預(yù)測(cè)第 4個(gè)月的銷售量，用 4月的銷售量為輸入預(yù)測(cè)第