多层前馈网络与BP学习算法课件.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《多层前馈网络与BP学习算法课件.ppt》由用户(三亚风情)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 多层 网络 BP 学习 算法 课件
- 资源描述:
-
1、12-4 多层前馈网络与多层前馈网络与BP学习算法学习算法 多层前馈网络的反向传播(BP)学习算法,简称BP算法,是有导师的学习,它是梯度下降法在多层前馈网中的应用。2-4-1 网络结构网络结构见图,u、y是网络的输入、输出向量,神经元用节点表示,网络由输入层、隐层和输出层节点组成,隐层可一层,也可多层(图中是单隐层),前层至后层节点通过权联接。由于用BP学习算法,所以常称BP神经网络。图2-4-1 BP神经网络 u y 22-4-2 BP学习算法学习算法已知网络的输入/输出样本,即导师信号。BP学习算法由正向传播和反向传播组成:正向传播是输入信号从输入层经隐层,传向输出层,若输出层得到了期望
2、的输出,则学习算法结束;否则,转至反向传播。反向传播是将误差(样本输出与网络输出之差)按原联接通路反向计算,由梯度下降法调整各层节点的权值和阈值,使误差减小。图 2-4-1 BP 神经网络 正向传播正向传播反向传播反向传播 u y 3 学习算法步骤:学习算法步骤:(1)设置初始权系)0(W,为较小的随机非零值;(2)给定输入/输出样本对,计算网络输出 设第p组样本输入:uPppnpuuu(,)12 输出:),(21mpppPdddd,pL12,节点i在第p组样本输入时,输出为yip ytf xtfw t Iipipijjpj()()()Ijp:在第p组样本输入时,节点i的第j个输入。f()取可
3、微的S型作用函数:f xex()11 由输入层,经隐层至输出层,求得网络输出层节点的输出。正向传播正向传播 u y 4 (3)计算网络的目标函数J 设EP为在第 p 组样本输入时,网络的目标函数取L2范数:EttdytetPppkpkpkpkk()()()()1212122222dy ykp(t):第 p 组样本输入时,经 t 次权值调整,网络的输出,k是输出层第 k个节点。网络的总目标函数:J tEtPp()()作为对网络学习状况的评价。(4)判别 若 J t()则算法结束;否则,至步骤(5)。正向传播正向传播 u y 5 (5)反向传播计算 由输出层,依据 J,按“梯度下降法”反向计算,逐
4、层调整权值。取步长为常值,得到神经元 j到神经元 i的联接权,t+1 次调整算式:)()()()()()()()()1(twtwtwtEtwtwtJtwtwijijpijPijijijij 式中,:步长,或称学习算子。u y 反向传播反向传播6 若i为输出节点,即i=k Ewe f xIpijkpkpjp()若i不是输出节点,即 ki 111111)()(mimpmjpipmimpmpjpipijpwIxfwxEIxfwE u y 反向传播反向传播7 BPBP算法算法手控手控 自控自控演示演示82-4-3 有关的几个问题有关的几个问题 (1)实现输入/输出非线性映射 若输入、输出节点为n、m
展开阅读全文