第四章人工神经元网络模型03130.pptVIP

第四章 人工神经元网络模型　 　　　　 4）计算广义误差。 输出层广义误差： 隐含层广义误差： 误差反向传播 5）连接权系数更新 继续迭代计算直至满足终止条件为止 例如： 例4-2 利用多层前向传播神经网络逼近非线性函数 解　①训练算法采用传统的BP学习算法，其中样本集取20点 即 期望值： 选择多层前向网络结构为：1个输入神经元、6个隐含层神经元和1个输出神经元（隐层数为1）。 神经元激励函数都为Sigmoid函数。 图4-16　多层前向传播网络结构图 初始权系数阵由（0,1）之间的随机数组成。 学习步长 前向计算 误差反向传播 学习方式是批量学习还是单样本学习？ 计算过程： ② 选择30个校验样本数据集，它们的取值为 为了验证含多隐含层的前向传播网络的逼近性能，对含有两个隐含层的多层前向网络进行了仿真试验。取第一隐含层的隐含神元经数为4、第二隐含层的隐含神元经数为2。 图4-16　b)　多层前向传播网络结构 均方误差 均方误差 y y 图4-17　两种MLP模型的学习曲线和网络的逼近测试图（比较） BP算法的学习曲线 网络的测试集逼近性能 系统的实际输出（如虚线所示） 神经网络的逼近输出（如实线所示） 结论：增加隐含层的数目并不一定意味着能够改善逼近精度（隐含层越多，计算量越大，收敛速度就受影响——慢）。对于本例而言，这一非线性函数的神经网络逼近问题用单