人工神经网络-第3章-多层前向网络及BP学习算法.pptVIP

第3章 多层前向网络及BP学习算法 3.1多层感知器 3.2 BP学习算法 3.3 径向基网络 3.4 仿真实例 3.1多层感知器 单层感知器只能解决线性可分的分类问题，要增强网络的分类能力唯一的方法是采用多层网络，即在输入与输出层之间加上隐含层，从而构成多层感知器（Multilayer Perceptrons，MLP）。这种由输入层、隐含层（一层或者多层）和输出层构成的神经网络称为多层前向神经网络。 多层感知器 多层前向神经网络输入层中的每个源节点的激励模式（输入向量）单元组成了应用于第二层（如第一隐层）中神经元（计算节点）的输入信号，第二层输出信号成为第三层的输入，其余层类似。网络每一层的神经元只含有作为它们输入前一层的输出信号，网络输出层（终止层）神经元的输出信号组成了对网络中输入层（起始层）源节点产生的激励模式的全部响应。即信号从输入层输入，经隐层传给输出层，由输出层得到输出信号。 多层感知器 多层感知器 多层感知器同单层感知器相比具有四个明显的特点： （1）除了输入输出层，多层感知器含有一层或多层隐单元，隐单元从输入模式中提取更多有用的信息，使网络可以完成更复杂的任务。 （2）多层感知器中每个神经元的激励函数是可微的Sigmoid函数，如： 多层感知器 （3）多层感知器的多个突触使得网络更具连通性，连接域的变化或连接权值的变化都会引起连通性的变化。 （