神经网络学习之BP神经网络.pdfVIP

神经网络学习 之 BP神经网络 第二章BP算法的根本思想 第三章BP网络特性分析 第四章BP网络的训练分解 第一章 概 述 神经网络是1986年由Rumelhart和McCelland为首的科研小组提出，参见他们发表在Nature上的论 文 Learning representations by back-propagating errors 。 BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP 网络能学习和存贮大量的 输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它 的学习规如此是使用最速下降法，通过反向传播来不断 调整网络的权值和阈值，使网络的误差平方和最 小。 第二章 BP算法的根本思想 多层感知器在如何获取隐层的权值的问题上遇到了瓶颈。既然我们无法直接得到隐层的权值，能否先通 过输出层得到输出结果和期望输出的误差来间接调整隐层的权值呢？BP算法就是采用这样的思想设计出 来的算法，它的根本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。 l正向传播时，输入样本从输入层传入,经各隐层逐层处理后,传向输出层。假如输出层的实际输出与期望 的输出(教师信号)不符,如此转入误差的反向传播阶段。 l反向传播时，将输出以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得 各层单元的误差信号,此误差信号即作为修正各单元权值的依据。 这两个过程的具体流程会在后文介绍。 BP算法的信号流向图如如下图所示 第三章 BP网络特性分析 我们分析一个ANN时，通常都是从它的三要素入手，即 1)网络拓扑结构； 2)传递函数； 3)学习算法。 每一个要素的特性加起来就决定了这个ANN的功能特性。所以，我们也从这三要素入手对BP网络的研 究。 3.1 BP网络的拓扑结构 上一次已经说了，BP网络实际上就是多层感知器，因此它的拓扑结构和多层感知器的拓扑结构一样。由 于单隐层〔三层〕感知器已经能够解决简单的非线性问题，因此应用最为普遍。三层感知器的拓扑结构 如如下图所示。 一个最简单的三层BP ： 3.2 BP网络的传递函数 BP网络采用的传递函数是非线性变换函数——Sigmoid函数 〔又称S函数〕。其特点是 函数本身与其导数都是连续的，因而在处理上十分方便。为什么要选择这个函数，等下在介绍BP网络的 学习算法的时候会进展进一步的介绍。 单极性S型函数曲线如如下图所示。 双极性S型函数曲线如如下图所示。 3.3 BP网络的学习算法 BP网络的学习算法就是BP算法，又叫 δ 算法〔在ANN的学习 过程中我们会发现不少具有多个名称的术语〕， 以三层感知器为例，当网络输出与期望输出不等时，存 在输出误差 E ，定义如下： 将以上误差定义式展开至隐层，有 进一步展开至输入层，有 由上式可以看出，网络输入误差是各层权值ωj κ、υij的函数，因此调整权值可改变误差 E。 显然，调整 权值的原如此是使误差不断减小，因此应使权值与误差的梯度下降成正比，即 ： 对于一般多层感知器，设共有 h 个隐层，按前向顺序各隐层节点数分别记为 m 1,m2,…,mh ，各隐层输出 分别记为 y 1,y2,…,yh ，各层权值矩阵分别记为 W 1,W2,…,Wh,Wh+ 1，如此各层权值调整公式为 输出层 第 h 隐层 按以上规律逐层类推，如此第一隐层权值调整公式 容易看出，BP学习算法中，各层权值调整公式形式上都是一样的，均由3个因素决定，即： 1.学习率 η 2.本层输出的误差信号δ 3.本层输入信号 Y 〔或X 〕 其中输入层误差信号与网络的期望输出与实际输出之差有关，直接反响了输出误差，而各隐层的误差信 号与前面各层的误差信号有关，是从输出层开始逐层反传过来的。 可以看出BP算法属于δ学习规如此类，这类算法常被称为误差的梯度下降算法。δ学习规如此可以看成是 Widrow-Hoff(LMS)学习规如此的一般化(generalize)情况。LMS学习规如此与神经元采用的变换函数无 关，因而不需要对变换函数求导，δ学习规如此如此没有这个性质，要求变换函数可导。这就是为什么我 们前面采用Sigmoid函数的原因。 综上所述，BP三要素如如下图所示。 第四章 BP网络的训练分解