神经网络探索.pptVIP

谢谢！ BP神经网络的讲解 BP神经网络 1986年Rumelhart等提出了多层前馈网络误差反向传播(Error Back Propa—gation，简称BP)算法，通过数学上的详细分析和完整的推导，系统地解决了多层神经元网络中隐层单元连续权的学习问题，从而用BP算法克服了简单感知器不能解决的XOR和其他一些问题。因为多层前馈网络的训练经常采用误差反向传播算法，所以通常人们都将多层前馈网络直接称为BP网络。由于BP算法得到广泛的使用，BP模型已成为神经网络的重要模式之一。 BP网络学习方法的基本思想是将训练过程分为两个阶段，第一阶段正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回。通过修改各层神经元的权值，逐次地向输入层传播进行计算。这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内，网络就结束学习训练过程。 BP网络主要用于： 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一个函数； 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：把输人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贮．