BP算法的基本原理(共4页).doc

《BP算法的基本原理(共4页).doc》由会员分享，可在线阅读，更多相关《BP算法的基本原理(共4页).doc（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上BP算法的基本原理典型的BP网络分为三层（图4.4），即输入层、隐含层和输出层。其算法主要由以下四部分组成，即模式顺传播误差逆传播记忆训练学习收敛。1 模式顺传播设 样本输入向量，输出向量中间单元的输入向量，输出向量输出层的输入向量，输出向量12p1qana1a2c1cqy1yqnpqw11w12v11v12SpBpLqCq其中，为样本数。输入层到中间层的权，中间层到输出层的权，中间层阈值， 输出层阈值，中间层输入：，输出：，输出层输入：，输出：，2 误差的逆传播根据输出层产生的误差，经中间层向输入层传播，在这个过程中，按照梯度下降原则对各层的权值和阈值进行误差校正。

2、（1） 输出层计算：权值调整量计算：第k模式(样本)下，网络的输出误差的均方值为，因为，所以，上式即为权值变化对均方值误差的影响程度，按梯度下降原则应使权值调整量与的负值成比例变化，即其中，。阈值调整量计算：因为，所以，按照梯度下降原则，可得到输出层各单元的阈值调整量为：（2） 中间层到输入层计算：权值调整量计算：按照梯度下降原则，可得到连接权值的调整量为：阈值调整量计算：按照梯度下降原则，可得到输出层各单元的阈值调整量为：以上的推导是标准误差逆传播算法，即各连接权的调整量是分别与各个学习模式对的误差Ek成比例变化的。而相对于全局误差的连接权调整，是在所有m个学习模式全部提供给网络后统一进行的

3、，这种算法是累积误差逆传播算法。一般来讲，当样本较少时，累积误差传递算法要比标准误差传递算法速度快一点。3 记忆训练给出一组样板反复进行学习，调整权值和阈值的大小以使输出值满足一定的精度要求。4 学习收敛经过多次训练以后，网络的全局误差趋向于最小值。由于BP算法采用了按误差函数梯度下降的方向进行收敛，因此，可能使迭代陷入局部极小点，BP网络收敛依赖于样本的初始位置，适当改变隐层单元个数，或给每个权值加上一个很小的随机数，都可使收敛过程避免局部极小点。二 BP网络的解析步骤标准误差逆传播算法按照以下步骤进行计算：（1） 初始化给权值、和阈值、赋予(-1, 1)之间的随机值。（2） 随机取一对样本对网络进行训练（3） 计算中间层的输入/出输入：，输出：（4） 计算输出层的输入/出输入：，输出：（5） 计算输出层的一般误差（6） 计算中间层的一般误差（7） 修改输出层的权值和阈值（8） 修正隐层的权值和阈值（9） 取下一对样本返回（3）开始训练，直到m个样本训练结束（10） 判断全局误差是否小于预定值，否则，回到（2）重新进行训练，直到满足要求或达到预定训练次数，停止训练。专心-专注-专业