BP神经网络与RBF神经网络.pptVIP

BP神经网络与RBF神经网络隐含层和输出层的激活函数采用对数-S型激活函数(1)BP网络BP网络的前馈计算

隐含层的第i个神经元在样本p作用下的输入为：隐含层的第i个神经元的输出为：输出层第k个神经元的总输入为：输出层的第k个神经元的实际输出为：BP网络权系数的调整规则对于每一样本p的输入模式对的二次型误差函数为：BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。学习过程按使误差函数Jp减小最快的方向调整加权系数直到获得满意的加权系数为止。因此，权系数应按Jp函数梯度变化的反方向调整，使网络逐渐收敛。输出层的神经元权系数修改公式：隐含层的神经元权系数修改公式：BP网络学习算法的计算步骤初始化：置所有的加权系数为最小的随机数；提供训练集：给出输入向量p和期望的输出向量t。计算实际输出；计算期望值与实际输出的误差；调整输出层的加权系数；调整隐含层的加权系数；返回步骤（3），直到误差满足要求为止。初始化加输入和期望输出计算隐层和输出层的输出迭代次数加1调节输出层和隐层的连接权值改变训练样板训练样终止？迭代终止？BP算法的基本流程NoNoyy(2)RBF神经网络径向基函数(RBF-RadialBasisFunction)神经网络是由J.Moody和C.Darken