21單神經元網(wǎng)絡(編輯修改稿)
2024-11-23 08:09 本頁面
【文章內容簡介】 ? ?? ?? ?? ? ? ?? ????????????????jjjjjjjjjnn wxxwxxxxxykuykuy139。39。239。39。 11kkk BP網(wǎng)絡的優(yōu)缺點 BP網(wǎng)絡的優(yōu)點為： （ 1） 只要有足夠多的隱層和隱層節(jié)點 ， BP網(wǎng)絡可以逼近任意的非線性映射關系； （ 2） BP網(wǎng)絡的學習算法屬于全局逼近算法 ， 具有較強的泛化能力 。 （ 3） BP網(wǎng)絡輸入輸出之間的關聯(lián)信息分布地存儲在網(wǎng)絡的連接權中 ， 個別神經元的損壞只對輸入輸出關系有較小的影響 ， 因而 BP網(wǎng)絡具有較好的容錯性 。 BP網(wǎng)絡的主要缺點為： （ 1） 待尋優(yōu)的參數(shù)多 ， 收斂速度慢； （ 2） 目標函數(shù)存在多個極值點 ， 按梯度下降法進行學習 ， 很容易陷入局部極小值； （ 3） 難以確定隱層及隱層節(jié)點的數(shù)目 。 目前 ，如何根據(jù)特定的問題來確定具體的網(wǎng)絡結構尚無很好的方法 ， 仍需根據(jù)經驗來試湊 。 ? 由于 BP網(wǎng)絡具有很好的逼近非線性映射的能力 ，該網(wǎng)絡在模式識別 、 圖像處理 、 系統(tǒng)辨識 、 函數(shù)擬合 、 優(yōu)化計算 、 最優(yōu)預測和自適應控制等領域有著較為廣泛的應用 。 ? 由于 BP網(wǎng)絡具有很好的逼近特性和泛化能力 ，可用于神經網(wǎng)絡控制器的設計 。 但由于 BP網(wǎng)絡收斂速度慢 ， 難以適應實時控制的要求 。 BP網(wǎng)絡逼近仿真實例 使用 BP網(wǎng)絡逼近對象： BP網(wǎng)絡逼近程序見 23)1(1)1()()(?????kykykuky BP網(wǎng)絡模式識別 ? 由于神經網(wǎng)絡具有自學習、自組織和并行處理等特征，并具有很強的容錯能力和聯(lián)想能力，因此，神經網(wǎng)絡具有模式識別的能力。 ? 在神經網(wǎng)絡模式識別中 ， 根據(jù)標準的輸入輸出模式對 ， 采用神經網(wǎng)絡學習算法 ， 以標準的模式作為學習樣本進行訓練 ， 通過學習調整神經網(wǎng)絡的連接權值 。 當訓練滿足要求后 ， 得到的神經網(wǎng)絡權值構成了模式識別的知識庫 ， 利用神經網(wǎng)絡并行推理算法對所需要的輸入模式進行識別 。 ? 當待識別的輸入模式與訓練樣本中的某個輸入模式相同時 ， 神經網(wǎng)絡識別的結果就是與訓練樣本中相對應的輸出模式 。 當待識別的輸入模式與訓練樣本中所有輸入模式都不完全相同時 ， 則可得到與其相近樣本相對應的輸出模式 。 當待識別的輸入模式與訓練樣本中所有輸入模式相差較遠時 ， 就不能得到正確的識別結果 ， 此時可將這一模式作為新的樣本進行訓練 ，使神經網(wǎng)絡獲取新的知識 ， 并存儲到網(wǎng)絡的權值矩陣中 ， 從而增強網(wǎng)絡的識別能力 。 BP網(wǎng)絡的訓練過程如下：正向傳播是輸入信號從輸入層經隱層傳向輸出層 ， 若輸出層得到了期望的輸出 ， 則學習算法結束；否則 ， 轉至反向傳播 以第 p個樣本為例 ， 用于訓練的 BP網(wǎng)絡結構如圖 711所示 。 圖 211 BP神經網(wǎng)絡結構 網(wǎng)絡的學習算法如下： （ 1） 前向傳播：計算網(wǎng)絡的輸出 。 隱層神經元的輸入為所有輸入的加權之和： 隱層神經元的輸出 采用 S函數(shù)激發(fā) ： ??iiijj xwx39。jxjxjxjj exfx ????11)(39。)1( 39。39。39。jjjj xxxx????則 輸出層神經元的輸出： ??jjjll xwx39。 網(wǎng)絡第 個輸出與相應理想輸出 的誤差為： 第 p個樣本的誤差性能指標函數(shù)為： 其中 N為網(wǎng)絡輸出層的個數(shù) 。 0lxlll xxe ?? 0???Nllp eE1221l（ 2） 反向傳播：采用梯度下降法 ， 調整各層間的權值 。 權值的學習算法如下： 輸出層及隱層的連接權值 學習算法為： jlw39。jljllljlpjl xewxewEw ??? ?????????jljljl wkwkw ???? )()1(其中 隱層及輸入層連接權值 學習算法為： ijw?? ???????? Nl ijllijpij
教學課件相關推薦
鄂ICP備17016276號-1