计算智能-神经网络.pptVIP

BP算法反向传播阶段 第 个样本的误差 则 个样本总误差为： S型函数的导数 输出层权值调整量： 最速下降法 （3-44） 广义偏差 隐藏层权值调整量 最速下降法 （3-53） BP算法流程 例：如下图所示的多层前向传播神经网络结构。假设对于输入 ，其期望的输出为 ： 网络权系数的初始值见图，试用BP算法训练此网络。这里神经元激励函数为 ，学习步长为 神经网络结构图 Ζ1 x1 x2 1 1 2 0 3 -2 -1 1 1 0 -2 1 -2 3 V W Ζ2 O1 O2 解：1）设定最大容许误差值 和最大迭代学习次数 ，并设初始迭代学习次数 。 2）计算当前输入、及当前网络的连接权系数下的神经网络输出。 首先计算神经元Ζ1和Ζ2的中间状态 其中： Ζ1 则Ζ1、Ζ2的输出为： 同理，可得神经元O1、O2的中间状态为： O1、O2的输出为： 3）根据给定的教师输出值，判断神经网络逼近误差要求或者迭代学习到最大容许值否？ 若上述不等式中有一个满足,则退出学习.否则进入4)。 4）计算广义误差(反向学习)