前向多層神經(jīng)網(wǎng)絡ppt課件-資料下載頁
2025-01-05 06:34本頁面
【正文】 隨機數(shù) 。 pjtBP算法學習的目的是為了尋找連接權(quán) ， 使得 趨于全局最小 ,然而在實際操作時而只能使之趨于一個相對大一點的 E值 ， 稱為局部最優(yōu) ， 如何避免在學習過程中陷入局部最小是 BP算法的一大難題 。 當出現(xiàn)局部最優(yōu)的情況下 ， 表現(xiàn)出來的特征是：各數(shù)值收斂到某一穩(wěn)定值 ， 而誤差值卻不是最小 ，這時可以按下式判定： j=0,1,2… ,N1 式中 ζ1,β為一小數(shù) ,通常 0β。 如符合上式 ,則認為此時 BP網(wǎng)絡陷入局部極小點 。 (L)ijw( 2 ) ( 2 )pj pj( 2 )pjpjo ( n 1 ) o ( n )o ( n ) t? ????????(1)網(wǎng)絡結(jié)構(gòu)及學習 參數(shù)的確定 (2)網(wǎng)絡狀態(tài) 初始化 (3)提供 學習樣本 (4)學習開始 (5)是否滿足 ？滿足執(zhí)行第 (6)步 ,否則返回 (4)步 (6)是否滿足 ？若是則執(zhí)行第 (7)步，否則返回第 (2)步 (7)停止 ( L ) ( L )pj pjo ( n 1 ) o ( n )? ? ?( L ) pjpjo ( n ) t??輸入輸入層 ， 隱含層 ， 輸出層的神經(jīng)元數(shù)目 ， 步長 η以及慣性校正系數(shù) α， 數(shù)值收斂因子 ζ及誤差收斂因子 β。 用較小的（絕對值為 1以內(nèi)）隨機數(shù)對網(wǎng)絡權(quán)值，閾值置初值。 輸入向量 xp(p=1,2,… ,P)和目標向量tp(p=1,2,… ,P) 對每一個樣本進行如下操作 : a、計算網(wǎng)絡隱含層及輸出層各神經(jīng)元的輸出 b、計算訓練誤差 (輸出層 ) (隱含層 ) c、修改權(quán)值和閾值 (遞推公式 ) ( L ) ( L ) ( L ) ( L 1 ) ( L )jjpj pj ji i jio f ( ne t ) f ( w o )?? ? ? ??( 1 ) ( 1 ) ( 1 ) ( 2 ) ( 2 )pj pj pj pk kjko ( 1 o ) w? ? ? ??( 2 ) ( 2 ) ( 2 ) ( 2 )pjp j p j p j p jo ( 1 o ) ( t o )? ? ? ?( L ) ( L ) ( L ) ( L 1 ) ( L ) ( L )j i j i p j p i j i j iw ( n 1 ) w ( n ) o ( w ( n ) w ( n 1 ) )?? ? ? ? ? ? ? ? ? 要求掌握常用神經(jīng)網(wǎng)絡 (BP、 ART、Hopbield、 BAM)的結(jié)構(gòu) ， 算法 ， 特點 ，應用 。 能在 MATLAB軟件上完成 BP、 ART網(wǎng)絡的設計 了解 BP、 ART網(wǎng)絡在自動控制 ， 模式識別 ， 故障診斷中的應用 。 此講結(jié)束， 歡迎聽講！ 下節(jié)課再見！
教學課件相關(guān)推薦
鄂ICP備17016276號-1