算法的程序实现讲解材料.pptVIP

* 3.4.3 BP算法的程序实现 (1)初始化； (4)计算各层误差信号； (5)调整各层权值； (6)检查是否对所有样本完成一次 轮训； (7)检查网络总误差是否达到精 度要求。 (2)输入训练样本对X? Xp、d? dp 计算各层输出； (3)计算网络输出误差； 3.4.3 BP算法的程序实现 然后根据总误差计算各层的误差信号并调整权值。 另一种方法是在所有样本输入之后，计算网络的总误差： 3.4.4 多层前馈网(感知器)的主要能力 (1)非线性映射能力 多层前馈网能学习和存贮大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程。只要能提供足够多的样本模式对供BP网络进行学习训练，它便能完成由n维输入空间到m维输出空间的非线性映射。 3.4.4 多层前馈网(感知器)的主要能力 (2)泛化能力 当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。这种能力称为多层前馈网的泛化能力。 (3)容错能力 输入样本中带有较大的误差甚至个别错误对网络的输入输出规律影响很小。 3.4.5误差曲面与BP算法的局限性 误差曲面的分布有两个特点： 特点之一：存在平坦区域 3.4.5误差曲面与BP算法的局限性 特点之二：存在多个极小点