智能控制简明教程-前馈神经网络_第1页
智能控制简明教程-前馈神经网络_第2页
智能控制简明教程-前馈神经网络_第3页
智能控制简明教程-前馈神经网络_第4页
智能控制简明教程-前馈神经网络_第5页
已阅读5页，还剩24页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

四.四前馈神经网络一九八六年,Rumelhart与McClelland提出多层前馈网络（MFNW-MultilayerFeedforwardNeuralworks）地训练算法.误差反向传播（ErrorBackPropagation——EBP）是一种有导师学,目前成为应用最广泛地一种网络,有八零%左右NN应用BP算法,还提出了一些改算法。一.网络结构多层前馈网络结构如图所示,X,Y分别是输入/出向量,每一个神经元用一个节点表示,网络由输入层,隐层与输出层节点组成,隐层可一层,也可以是多层,图是单隐层,前层至后层节点通过权连接。常用BP算法.这种网络结构简单,工作状态稳定,且易于硬件实现,且具有很强地非线映射能力。二.BP网络基本思想:BP学算法:正向传播+反向传播正向传播:模式样本作用于输入层,经隐层传向输出层,若在输出层得到了期望地输出,则学算法结束;否则反传。反向传播:将输出误差按梯度下降法通过隐层向输入层返回,并调整各层神经元地权值与阈值,使误差不断减少。①正向传播②权值调整（反向转播）隐层输出层BP算法地信号流图BP算法地主要功能一.非线映射能力学,存储大量地输入/输出模式映射关系无需这种关系地数学描述二.泛化能力当向网络输入训练时未曾见过地非样本数据时,网络也能完成由输入空间向输出空间地正确映射。三.容错能力允许输入样本带有较大地误差甚至个别错误。个别样本地错误不能左右对权矩阵地调整（满足样本提取地统计特）。四.BP网络地泛化能力（网络能好坏）指用较少地样本行训练,使网络能对未经训练地输入样本也能给出正确地输出,即BP网络对受污染或带噪声地训练样本,也能行正确地映射。正是BP网络地泛化能力使它解决各种实际问题。欲使BP网络具有良好地泛化需要:①输入——输出函数关系保持滑,或函数一阶导数存在。②训练集足够大,样本具有代表。为了得到较好地泛化能力,除训练集外,还需测试集五.BP算法地不足a.非线优化,不可避免存在局部极小问题。b.学算法地收敛速度慢,且与初

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论