BP神经网络仿真报告材料材料.docVIP

1 BP神经网络简介  图1 BP神经网络结构图 BP(Back Propagation)神经网络是目前人工神经网络中研究最深入、应用 最为广泛的一种模型，其结构如图I所示。图中，x、z是网络的输入、输出向 量，每一神经元用一个节点表示，网络由输入层、隐层和输出层节点组成，隐 层可以是一层，也可以是多层(图中是单隐层)，前层至后层节点之间通过权 系数相联结。BP神经网络学习时，输入信号从输入层经隐层传向输出层 (正向 传播)，若输出层得到期望的输出，则学习算法结束：否则，转至反向传播。反 向传播就是将误差信号(样本输出与网络输出之差)按原联接通路反向计算，由 梯度下降法调整各层神经元的权值，使误差信号减小。以下是各层权值的具体 过程(即BP学习算法)： 定义网络的输出误差 E -(d O)2丄 (dk ok)2，将其依次展开至隐 2 2 k i 层和输入层，在使误差不断减小的原则下，应使权值的调整量与误差的负梯度 成正比，即: ，j 0,1,2,L m; k 1,2,L l ，i 1,2,L n; j 1,2,L m 经推导可得到各层权值调整的计算公式，写成向量的形式为: W ( oYT)T ， V ( yXT)T 式中，X (X1,X2, L ,Xn)T为输入向量， 丫 , L ,ym)T为隐层输出向量, O (。1,。2丄,0i)T为输出向量，d (d1,d2丄,di)T为