神经网络——BP算法试卷.pptVIP

第7章  7.2 典型神经网络--BP 反向传播网络 Back—Propagation Network，由于其权值的调整采用反向传播（Backpropagation）的学习算法，因此被称为BP网络。 BP网络 是一种单向传播的多层前向网络 其神经元的变换函数是S型函数，因此输出量为0到1之间的连续量 它可以对非线性可微分函数进行权值训练，从而实现输入到输出的任意的非线性映射。 网络中心思想是梯度下降法 通过梯度搜索技术，使网络实际输出值与期望输出值的误差均方值最小。 网络的学习过程是一种误差边向后传播边修正权系数的过程 7.2.2 BP网络结构 BP网络特点 是多层网络，包括输入层、隐层和输出层 层与层之间采用全互连方式，同一层神经元之间不连接 权值通过学习算法进行调节 神经元激发函数为S函数 层与层的连接是单向的，信息传播是双向的 BP学习规则 BP算法属于δ算法，是一种监督式的学习算法。 其主要思想为： 对于q个输入学习样本： P1，P2，……Pq， 已知与其对应的输出样本为： T1，T2，……Tq。 学习的目的： 是用网络的实际输出A1，A2，……Aq与目标矢量T1，T2，……Tq之间的误差来修改其权值 使Al l＝l，2…，q 与期望的Tl尽可能地接近； 即： 使网络输出层的误差平方和达到最小。 BP算法的学习过程由 正向传播和反向传播组成 BP算法是由两部分组成：信息的正向传递与误差的反向传播。 在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。 如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。 BP网络用途 1 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近—个函数； 2 模式识别：用一个特定的输出矢量将它与输入矢量联系起来； 3 分类：把输入矢量以所定义的合适方式进行分类； 4 数据压缩：减少输出矢量维数以便于传输或存储。 BP网络的逼近 用于逼近的BP网络 前向传播：计算网络输出 BP网络逼近仿真 Chap7_1.m BP网络模式识别 一、 由于神经网络具有自学习、自组织和并行处理等特征，并具有很强的容错能力和联想能力，因此，神经网络具有模式识别能力。 在神经网络识别中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的模式作为学习样本进行训练，通过学习调整神经网络的连接权值。 当训练满足要求后，得到知识库，利用神经网络并行推理算法便可对所需的输入模式进行识别。 BP网络的训练过程 为了训练一个BP网络，需要计算网络加权输入矢量以及网络输出和误差矢量，然后求得误差平方和。 当所训练矢量的误差平方和小于误差目标，训练则停止，否则在输出层计算误差变化，且采用反向传播学习规则来调整权值，并重复此过程。 当网络完成训练后，对网络输入一个不是训练集合中的矢量，网络将给出输出结果。 为了能够较好地掌握BP网络的训练过程，我们再用两层网络为例来叙述BP网络的训练步骤。 1 用小的随机数对每一层的权值W初始化，以保证网络不被大的加权输入饱和； 2 计算网络各层输出矢量A1和A2以及网络误差E 3 计算各层反传的误差变化并计算各层权值的修正值以及新权值 4 再次计算权值修正后误差平方和： 5 检查误差是否小于给定误差，若是，训练结束；否则继续。 BP网络的设计 分析BP网络结构特点： 1. BP网络具有一层或多层隐含层，与其他网络模型除了结构不同外，主要差别表现在激活函数上。 2. BP网络的激活函数必须是处处可微的，所以它就不能采用二值型的阀值函数 0，1 或符号函数 —1，1 ，BP网络经常使用的是S型的对数或正切激活函数和线性函数。 3. 只有当希望对网络的输出进行限制，如限制在0和1之间，那么在输出层应当包含S型激活函数，在一般情况下，均是在隐含层采用S型激活函数，而输出层采用线性激活函数。 4、输入和输出是并行的模拟量； 5、网络的输入输出关系是各层连接的权因子决定，没有固定的算法； 6、权因子是通过学习信号调节的，这样学习越多，网络越聪明； 7、隐含层越多，网络输出精度越高，且个别权因子的损坏不会对网络输出产生大的影响 BP网络的设计 1 网络的层数： 理论上已经证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数。 增加层数主要可以更进一步的降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。 一般情况下，应优先考虑增加隐含层中的神经元数。 能不能仅用具有非线性激活函数的单层网络来解决问题呢？结论是：没有必要或效果不好。