bp神经网络概述

《bp神经网络概述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、BP祌经网络概述材科1303徐心怡0121301090747摘要：BP祌经网络是误差反传误差反向传播算法的学习过程，曲信息的正向传播和误差的反向传播两个过程组成。它是鬥前应用较多的一种神经网络结构。它能以任意精度逼近任意非线性函数，而且具有良好的逼近性能，并且结构简单，是一种性能优良的神经网络。理论研究的深入也促进多种对其的改进方法。关键字：BP网络模型算法缺点改进正文：BP神经网络足1986年提出的一种按误差逆传播算法训练的多层前馈网络，是H前应川最广泛的神经网络模型之一。bp网络能7:和存F:人:W:的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程

2、。它的学习规则是使用鉍速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。1BP神经网络模型BP网络模型包括其输入输出模型、作川阑数模型、误差计算模型和£)学习模型。1.1节点输出模型隐节点输出模型：Oj=f(ZWijxXi-qj)输出节点输出模型：Yk=f(XTjkxOj-qk)其中：f-非线形作用阑数；q-神经单元阈值。1.2作用函数模型作用函数是反映卜层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)闪连续取值Sigmoid函数：f(x)=l/(l+e-x)1.3误差计算模型误差计兑模型是反映神经网络期第输出与计算输出之间误差

3、大小的阑数：Ep=1/2>

4、状态只影响•层祌经元。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各祌经元；中间层足内部信息处理屋，负责信息变换，根据信息变化能力的需求，屮fuj层可以设计力单隐层或者多隐层结构；最后一个隐层传递到输出层各祌经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输岀层叫外界输出信息处理结梁。若在输出层得不到期望的输出，则转昀误差信号的反h'd传播流程。周而复始的信息正h'd传播和误差反叫传播过程，是各层权位不断调整的过程，也是神经网络学习训练的过程。在权句量空间执行误差函数梯度下降策略，动态迭代搜索一•组权向跫，使网络误差函数达到最小值，从而完成信息

5、提収和记忆过程。2.1正向传播过程隐含层第i个节点的输入neti:Mneti=WijXj+7=1隐含层笫i个节点的输出yhM乂=（Knet）=（f）C^）7=1输出层第k个节点的输入netk：(Iqnetk=£wEwuxj+e)+〜输出层第k个节点的输出ok:q(qM/=1°k=料neh)=^(EVVa/XEvva/^(EWUXJ+0)+A7=12.2误差信号的反h'd传播过程对于每-个样本p的二次型误差准则阑数为EP:11■EP=~Y^-^）2A=1系统对P个训练样木的总误差准则函数为：1PLp=々=1根据误差梯度下降法依次修正输出层权值的修正景Awki,输出层阈值

6、的修正暈△ak.隐含层权位的修正兒Awij,隐含层阈位的修正量。AdEAdEAdE3E输岀层权值调整公式.•▲dEdEdftetdEdo,^net=-77——=^q=-fj输出层阈值调整公式:、dEdEdnet.dEdoLdnetL,心=-n——=-n-=-ndakdnetkdakdok3netkdak隐含层权值调整公式：dEdEdnet;dEdy.dnet:Aw..=-；7=-；7L=-rjL(/3vv.,.dnet：dw：：dyidnetjdwfj隐含层阈值调整公式:eidE_dEdneti_dEdy{dnetj”抓tdnetid3idy{.dnetiddi又因力

7、:PL3£所以朵盾得到以下公式：PL△%=S(wX(，叫)•x△“A=d(Tk1’-okX[netk)p=ik=[PL=d(TkP-<)•V’(叫)•％•(PetiYxjp=]k=3BP兑法的缺点与改进3.1BP算法的缺点BP算法理论具有依据可靠、推导过程严谨、精度较高、通川性较好等优点，但山于它采用非线性规划中的最速卜*降方法，按误差函数的负梯度方句修改权伉，W而通常存在以K问题：在权位调整上采用梯度下降法作为优化算法，极易陷入局部极小；学>』算法的收敛速度很慢，收敛速度还与初始权值和传输函数的选择冇关；网络的结构设计，即隐节点数