人工神经网络BP神经网络.pptVIP

这就完成了BP算法的第一次迭代。下一步可以选择另一个输入，执行算法的第二次迭代过程。迭代过程一直进行下去，直到网络响应和目标函数之差达到某一可接受的水平。 权的修正 接着讨论与反向传播法的实际实现相关的一些问题，包括网络结构的选择、网络收敛性和一般化的问题。 1.网络结构的选择 如本章前面所述，多层网络可用来逼近几乎任一个函数,只要在隐层中有足够的神经元。然而，通常并不能说，多少层或多少神经元就可以得到足够的性能。本节中我们通过一些例子来考察这个问题。 反向传播应用 第一个例子：假定要逼近如下的函数： 其中 i 取值1、2、4 和8 。随 i 的增加，函数变得更为复杂，在 的区间内将有更多的正弦波周期。当 i 增加时，很难用隐层中神经元数目固定的神经网络来逼近g(p) 。 网络结构的选择 对这个例子,我们使用一个1-3-1 网络,第一层的传输函数为 “logsig”形,第二层的传输函数是线性函数。根据前面的函数逼近例子,这种两层网络的响应是三个 “logsig”形函数之和(或多个logsig