神经网络2193346348.pptVIP

BP神经网络 BP网络是由一个输入层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间无连接。 网络的学习过程包括正向传播和反向传播。 在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。 三层BP神经网络的网络结构 输入、输出层的设计 输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值的个数。 输出层的维数可根据设计者的要求确定，在故障诊断中，一般将BP网络用作分类器，如类别模式一共有m个，则输出层神经元的个数为m。 隐层的设计 隐层的神经元个数选择是一个较为复杂的问题，往往需要设计者多次试验来确定，因而不存在一个理想的解析式来表示。 隐层单元的个数与问题的要求、输入/输出单元的数目都有着直接关系。隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有见到的样本等问题，因此一定存在一个最佳的隐层单元数。 以下三个公式可作为选择最佳隐层单元数时的参考公式： ，其中 是输入层神经元数， 是隐层神经元数。