为什么说BP神经网络就是人工神经网络的一种?
来源:互联网 发布:银河历险记3 mac破解 编辑:程序博客网 时间:2024/05/21 13:12
BP( Back Propagation)网络是由Rinehart等于1986年提出的,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网络能学习和存储大量的输入、输出模式映射关系,而无须事前揭示描述这种映射关系的数学方程。
–其学习规则是使用梯度下降法,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。
BP神经网络模型拓扑结构包括:
输入层(Input),这一区域相当于外界的刺激,是刺激的来源并且将刺激传递给神经元。
隐藏层( Hide layer),这一区域表示神经元相互之间传递刺激,相当于人脑里面。
输出层(Output layer),这一区域表示神经元经过多层次相互传递后,对外界的反应。
BP反馈机制
简单的描述就是,输入层将刺激传递给隐藏层,隐藏层通过神经元之间,联系的权重和激活函数,将刺激传到输出层,输出层整理隐藏层处理后的刺激,产生最终结果。
若有正确的结果,那么将正确的结果和产生的结果进行比较,得到误差,再逆推对神经网中的链接权重进行反馈修正,从而来完成学习的过程。
这就是BP (Back Propagation)神经网的反馈机制,也是名字的来源,即运用向后反馈的学习机制,来修正神经网中的权重,最终达到输出正确结果的目的。
双向信号传播
BP算法由数据流的前向(正向)传播和误差信号的反向传播两个过程构成。
–正向传播时,传播方向为输入层-隐层-输出层,每层神经元的状态只影响下一层神经元。
–若在输出层得不到期望的输出,则转向误差信号的反向传播流程。
这两个过程的交替进行
–在权向量空间,执行误差函数梯度下降策略,动态迭代搜索一组权向量。
–使网络误差函数达到最小值,从而完成信息提取,和记忆过程。
正向传播
设BP神经网络的输入层有n个节点,隐层有q个节点,输出层有m个节点,输入层与隐层之间有权值为vki,隐层与输出层之间的权值为wjk,三层神经网络的拓扑结构,如下图所示。
隐层传递函数为ƒ1(•),输出层的传递函数为ƒ2(•),则隐层节点的输出为(将阈值写入求和项中,k=1,2,…q)
•输出层节点的输出为(j=l,2,…,m):
•至此BP网络完成n维空间向量对m维空间的近似映射
反向传播
反向传播,目的是传递误差信号
–所以要进行定义误差函数、输出层权值变化、以及隐层权值变化等操作。
–以上作用可分别以数据公式表达出来:
–式中x1,x2,…,xq为输入信号,wj1,wj2,…,wji,…,wjn为神经元k之权值,uk为线性组合结果,θk为阈值,f (•)为激活函数,yk为神经元k的输出。
–BP网络能学习和存储大量的输入、输出模式映射关系,而无须事前揭示描述这种映射关系的数学方程。
–其学习规则是使用梯度下降法,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。
BP神经网络模型拓扑结构包括:
输入层(Input),这一区域相当于外界的刺激,是刺激的来源并且将刺激传递给神经元。
隐藏层( Hide layer),这一区域表示神经元相互之间传递刺激,相当于人脑里面。
输出层(Output layer),这一区域表示神经元经过多层次相互传递后,对外界的反应。
BP反馈机制
简单的描述就是,输入层将刺激传递给隐藏层,隐藏层通过神经元之间,联系的权重和激活函数,将刺激传到输出层,输出层整理隐藏层处理后的刺激,产生最终结果。
若有正确的结果,那么将正确的结果和产生的结果进行比较,得到误差,再逆推对神经网中的链接权重进行反馈修正,从而来完成学习的过程。
这就是BP (Back Propagation)神经网的反馈机制,也是名字的来源,即运用向后反馈的学习机制,来修正神经网中的权重,最终达到输出正确结果的目的。
双向信号传播
BP算法由数据流的前向(正向)传播和误差信号的反向传播两个过程构成。
–正向传播时,传播方向为输入层-隐层-输出层,每层神经元的状态只影响下一层神经元。
–若在输出层得不到期望的输出,则转向误差信号的反向传播流程。
这两个过程的交替进行
–在权向量空间,执行误差函数梯度下降策略,动态迭代搜索一组权向量。
–使网络误差函数达到最小值,从而完成信息提取,和记忆过程。
正向传播
设BP神经网络的输入层有n个节点,隐层有q个节点,输出层有m个节点,输入层与隐层之间有权值为vki,隐层与输出层之间的权值为wjk,三层神经网络的拓扑结构,如下图所示。
隐层传递函数为ƒ1(•),输出层的传递函数为ƒ2(•),则隐层节点的输出为(将阈值写入求和项中,k=1,2,…q)
•输出层节点的输出为(j=l,2,…,m):
•至此BP网络完成n维空间向量对m维空间的近似映射
反向传播
反向传播,目的是传递误差信号
–所以要进行定义误差函数、输出层权值变化、以及隐层权值变化等操作。
–以上作用可分别以数据公式表达出来:
–式中x1,x2,…,xq为输入信号,wj1,wj2,…,wji,…,wjn为神经元k之权值,uk为线性组合结果,θk为阈值,f (•)为激活函数,yk为神经元k的输出。
–若把输入的维数增加一维,则可把阈值θk包括进去。
阅读全文
0 0
- 为什么说BP神经网络就是人工神经网络的一种?
- bp人工神经网络算法
- BP人工神经网络
- BP人工神经网络的C++实现
- BP人工神经网络的介绍与实现
- BP人工神经网络的C++实现
- BP人工神经网络的介绍与实现
- BP人工神经网络的介绍与实现
- 人工神经网络的设计与实现(三) BP神经网络
- 人工神经网络中的BP算法
- 人工神经网络之BP神经网络模型
- 什么是人工神经网络 人工神经网络的介绍
- BP人工神经网络C代码(转)
- 用BP人工神经网络识别手写数字
- 人工神经网络算法-BP算法原理
- 人工神经网络(ANN)及BP算法
- 机器学习教程 之 人工神经网络的前世今生:标准BP神经网络原理
- BP神经网络的优缺点
- 技术文章 | Node.js对Java开发者而言是什么?
- Java设计模式--模板方法模式【Template Pattern】
- HDU
- SpringMVC中使用CommonsMultipartResolver上传文件实例
- 微博、微信和QQ OAuth2.0开发记录
- 为什么说BP神经网络就是人工神经网络的一种?
- vue.js移动端app实战3:从一个购物车入门vue
- 数据挖掘 追加
- [Codeforces 842D Vitya and Strange Lesson]异或字典树
- python os模块 常用命令
- 1012:8除不尽的数
- 各种音频编码方式的对比
- linux图形界面基本知识(X、X11、Xfree86、Xorg、GNOME、KDE之间的关系)
- 包裹运输--工厂生产的产品包装在相同高度为h...