bp神经网络模型应用实例.pdfVIP

BP 神经网络模型 第 1 节 基本原理简介 近年来全球性的神经网络研究热潮的再度兴起 不 仅仅是因为神经科学本身取得了巨大的进展．更主要 的原因在于发展新型计算机和人工智能新途径的迫切 需要．迄今为止在需要人工智能解决的许多问题中 人脑远比计算机聪明的多，要开创具有智能的新一代 计算机，就必须了解人脑，研究人脑神经网络系统信 息处理的机制．另一方面，基于神经科学研究成果基 础上发展出来的人工神经网络模型，反映了人脑功能 的若干基本特性，开拓了神经网络用于计算机的新途 径．它对传统的计算机结构和人工智能是一个有力的 挑战，引起了各方面专家的极大关注． 目前 已发展了几十种神经网络 例如 Hopficld 模 型 Feldmann 等的连接型网络模型 Hinton 等的玻尔 茨曼机模型 以及Rumelhart 等的多层感知机模型和 Kohonen 的自组织网络模型等等。在这众多神经网络 模型中，应用最广泛的是多层感知机神经网络。多层 感知机神经网络的研究始于50 年代 但一直进展不大。 直到 1985 年 Rumelhart 等人提出了误差反向传递学 习算法 （即BP 算） 实现了 Minsky 的多层网络设想 如图 34-1 所示。 输入层 中间层 输出层 图34-1 BP 神经网络模型 BP 算法不仅有输入层节点、输出层节点 还可有 1 个或多个隐含层节点。对于输入信号，要先向前传播 到隐含层节点，经作用函数后，再把隐节点的输出信 号传播到输出节点，最后给出输出结果。节点的作用 的激励函数通常选取 S 型函数，如 1 f (x )  x / Q 1 e 式中 Q 为调整激励函数形式的 Sigmoid 参数。该算 法的学习过程由正向传播和反向传播组成。在正向传 播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层。每一层神经元的状态只影响下一层神经 元的状态。如果输出层得不到期望的输出，则转入反 向传播，将误差信号沿原来的连接通道返回，通过修 改各层神经元的权值，使得误差信号最小。 社含有 n 个节点的任意网络 各节点之特性为 Sigmoid 型。为简便起见 指定网络只有一个输出y , 任 一 节 点 i 的 输 出 为 O , 并 设 有 N 个 样 本 i (x ,y )(k=1,2,3,…,N),对某一输入 x 网络输出为y 节 k k k k  W O 点 i 的输出为 O ,节点j 的输入为net = i ij ik ik jk 1 N  2 E  (y k  y k ) 并将误差函数定义为 2 k 1