大数据挖掘与应用 第9章 BP神经网络分类算法.pptVIP

9.2.2 BP神经网络的结构 BP神经网络是具有三层或三层以上的阶层型神经网络,由输入层、隐含层和输出层构成,相邻层之间的神经元全互连,同一层内的神经元无连接，下面以图9-3所示的具有一个隐含层的三层BP网络来介绍BP算法的实现。 9.2.3 BP神经网络的算法描述 BP算法的主要思想是从后向前(反向)逐层传播输出层的误差,以间接算出隐层误差。算法分为两个阶段:第一阶段(正向传播过程)输入信息从输入层经隐层逐层计算各单元的输出值,第二阶段(反向传播过程)输出误差逐层向前算出隐层各单元的误差,并用此误差修正前层权值。其中的网络权值调整采用Delta学习规则,即根据梯度法沿着误差曲面的梯度最速下降,从而实现网络误差的最小化。 9.2.4 标准BP神经网络的工作过程 BP神经网络的工作过程通常有两个阶段组成:在第一个阶段,神经网络各节点的连接权值固定不变,网络的计算从输入层开始,逐层逐个节点地计算每一个节点的输出, 在学习阶段,各节点的输出保持不变,网络学习从输出层开始,反向逐层逐个节点地计算各连接权值的修改量,以修改各连接的权值,直到输入层为止。 这两个阶段称为正向传播和反向传播过程,在正向传播中,如果在输出层的网络输出与期望输出相差较大,则开始反向传播过程,根据网络输出与所期望输出的信号误差,对网络节点间的各连接权值进行修改,以此来减小网络实际输出与所期望输出的误差。BP网络正是通