数学建模BP神经网络论文教程分析.doc

BP神经网络 算法原理： 输入信号通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。个神经元，隐含层有个神经元,输出层有个神经元 输入向量： 隐含层输入向量： 隐含层输出向量： 输出层输入向量： 输出层输出向量： 期望输出向量: 输入层与中间层的连接权值: 隐含层与输出层的连接权值: 隐含层各神经元的阈值: 输出层各神经元的阈值: 样本数据个数: 激活函数: 误差函数： 算法步骤： Step1.网络初始化 。给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数，给定计算精度值和最大学习次数M。 Step2.随机选取第个输入样本及对应期望输出 Step3.计算隐含层各神经元的输入和输出及输出层各神经元的输入和输出 Step4.利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。 Step5.利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的偏导数