神经网络学习笔记3：BP神经网络的实现与其应用.docVIP

神经网络学习笔记3：BP神经网络的实现及其应用 收藏 反向传播算法也称BP算法。由于这种算法在本质上是一种神经网络学习的数学模型，所以，有时也称为BP模型。BP算法是为了解决多层前向神经网络的权系数优化而提出来的；所以，BP算法也通常暗示着神经网络的拓扑结构是一种无反馈的多层前向网络，它含有输人层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层，由于它们和外界没有直接的联系，故也称为隐层。在隐层中的神经元也称隐单元。隐层虽然和外界不连接．但是，它们的状态则影响输入输出之间的关系。这也是说，改变隐层的权系数，可以改变整个多层神经网络的性能。 关于BP的计算原理，网络上又有一大堆，这里就不细说了，下面我们给出3层（输入层、隐含层、输出层）的BP网络代码（采用了动量算法）： 程序实现功能：BP神经网络原理及其实现 作 者： laviewpbt 联系方式： laviewpbt@ QQ 版本：Version 1.0.0 说明：复制请保留源作者信息，转载请说明，欢迎大家提出意见和建议 Private mW1() As Double 隐含层的权值 S1 X R Private mW2() As Double 输出层的权值 S2 X R Private mB1() As Double 隐含层的偏置值 S1 X 1 Private mB2() As Double 输出层的偏置值 S2 X 1 Private mErr() As Double 均方误差 Private mMinMax() As Double 输入向量的上下限 R X 2 Private mS1 As Long 隐含层的神经元个数 S1 Private mS2 As Long 输出层的神经元个数 S2 Private mR As Long 输入层神经元个数 R Private mGoal As Double 收敛的精度 Private mLr As Double 学习速度 Private mGama As Double 动量系数 Private mMaxEpochs As Long 最大的迭代次数 Private mIteration As Long 实际的迭代次数 **************************************** 中间变量 ******************************************* Private HiddenOutput() As Double 隐含层的输出 Private OutOutput() As Double 输出层的输出 Private HiddenErr() As Double 隐含层各神经元的误差 Private OutPutErr() As Double 输出层各神经元的误差 Private Pdealing() As Double 当前正在处理的输入 Private Tdealing() As Double 当前正在处理的输入对应的输出 Private OldW1() As Double 旧权值数组 Private OldW2() As Double 旧权值数组 Private OldB1() As Double 旧偏置值数组 Private OldB2() As Double 旧偏置值数组 Private Ts As Long 输入向量的总个数 Private Initialized As Boolean 是否已初始化 **************************************** 属性 ******************************************* Public Event Update(iteration) Public Property Get W1() As Double()