第四章人工神经元网络模型.pptVIP

例4-1如下图所示的多层前向传播神经网络结构。图4-15例4-1的神经网络结构图假设对于期望的输入

网络权系数的初始值见图。试用BP算法训练此网络（本例中只给出一步迭代学习过程）。这里，取神经元激励函数学习步长为η＝1。解1）输入最大容许误差值E，最大迭代学习次数iterafemax。置初始迭代学习次数iterate=0。2）计算当前输入状态下、当前网络的连接权系数下的神经网络输出（即前向计算）。第30页，共55页，星期日，2025年，2月5日3)判断神经网络最大容许误差满足要求或迭代学习达到最大容许值否？若上述不等式中有一个满足，则退出学习。否则进入4）。第31页，共55页，星期日，2025年，2月5日4）计算广义误差。输出层广义误差：隐含层广义误差：误差反向传播第32页，共55页，星期日，2025年，2月5日5）连接权系数更新继续迭代计算直至满足终止条件为止例如：第33页，共55页，星期日，2025年，2月5日例4-2利用多层前向传播神经网络逼近非线性函数解①训练算法采用传统的BP学习算法，其中样本集取20点即期望值：选择多层前向网络结构为：1个输入神经元、6个隐含层神经元和1个输出神经元（隐层数为1）。神经元激励函数都为Sigmoid函数。图4-16多层前向传播网络结构图初始权系数阵由（0