BP网络算法的基本思想及算法流程 | 您所在的位置:网站首页 › 描述算法的基本设计思想 › BP网络算法的基本思想及算法流程 |
网络的构成
神经元的网络输入:
n e t i = x 1 w 1 i + x 2 w 2 i + . . . + x n w n i net_i=x_1w_{1i}+x_2w_{2i}+...+x_nw_{ni} neti=x1w1i+x2w2i+...+xnwni 神经元的输出:o = f ( n e t ) = 1 1 + e − n e t o=f(net)=\frac{1}{1+e^{-net}} o=f(net)=1+e−net1 f ′ ( n e t ) = − 1 1 + e − n e t ( − e − n e t ) = o − o 2 = o ( 1 − o ) f^{'}(net)=-\frac{1}{1+e^{-net}}(-e^{-net})\\=o-o^2\\=o(1-o) f′(net)=−1+e−net1(−e−net)=o−o2=o(1−o) 输出函数分析: o = 1 1 + e − n e t o=\frac{1}{1+e^{-net}} o=1+e−net1 应该将net的值尽量控制在收敛比较快的范围内可以用其他函数作为激活函数,只要该函数处处可导 网络的拓扑结构![]() 样本:(输入向量,理想输出向量) 权初始化:“小随机数”与饱和状态;“不同”保证网络可以学。 1、向前传播阶段 从样本集中取一个样本 ( X p , Y p ) (X_p,Y_p) (Xp,Yp),将 X p X_p Xp输入网络; 2、计算相应的实际输出 O p O_p Op: O p = F I ( . . . ( F 2 ( F 1 ( X p W ( 1 ) ) W ( 2 ) ) . . . ) W ( L ) ) O_p=F_I(...(F_2(F_1(X_pW^{(1)})W^{(2)})...)W^{(L)}) Op=FI(...(F2(F1(XpW(1))W(2))...)W(L)) 2、向后传播阶段 1、计算实际输出 O p O_p Op与相应的理想输出 Y p Y_p Yp的差;2、按极小化误差的方式调整权矩阵3、网络关于第p个样本的误差测度: E p = 1 2 Σ j = 1 m ( y p j − o p j ) 2 E_p=\frac{1}{2}\Sigma_{j=1}^m(y_{pj}-o_{pj})^2 Ep=21Σj=1m(ypj−opj)24、网络关于整个样本集的误差测度: E = Σ p E P E=\Sigma_pE_P E=ΣpEP 误差传播分析 1、输出层权的调整
样本集: S = ( X 1 , Y 1 ) , ( X 2 , Y 2 ) , . . . , ( X s , Y s ) S={(X_1,Y_1),(X_2,Y_2),...,(X_s,Y_s)} S=(X1,Y1),(X2,Y2),...,(Xs,Ys) 基本思想: 逐一地根据样本 ( X k , Y k ) (X_k,Y_k) (Xk,Yk)计算出实际输出 O k O_k Ok和误差测度 E 1 E_1 E1,对 W ( 1 ) , W ( 2 ) , . . . , W ( L ) W^{(1)},W^{(2)},...,W^{(L)} W(1),W(2),...,W(L)各做一次调整,重复这个循环,知道 Σ E p < ϵ \Sigma E_p |
CopyRight 2018-2019 实验室设备网 版权所有 |