3.5-标准BP算法实现_第1页
3.5-标准BP算法实现_第2页
3.5-标准BP算法实现_第3页
3.5-标准BP算法实现_第4页
3.5-标准BP算法实现_第5页
已阅读5页，还剩3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

神经网络理论及应用：BP算法实现主讲人：吴静珠

北京工商大学计算机与人工智能学院BP学习算法：权值调整公式2026/10/11BTBU-CIE2

连续感知器δ规则BP算法实现:单样本训练2026/10/11BTBU-CIE3(1)初始化；(4)计算各层误差信号；(5)调整各层权值；(6)检查是否对所有样本完成一次轮训；(7)检查网络总误差是否达到精度要求。(2)输入训练样本对X

Xp、d

dp

计算各层输出；(3)计算网络输出误差；BP算法实现：批训练2026/10/11BTBU-CIE4然后根据总误差计算各层的误差信号并调整权值。另一种方法是在所有样本输入之后，计算网络的总误差：net=newff(P,T,S)net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

P：输入参数矩阵。(RxQ1)，其中Q1代表R元的输入向量，每列样本有R个属性。一般P需要归一化。T：目标参数矩阵。(SNxQ2)，Q2代表SN元的目标向量。S：N-1个隐含层的数目（S（i）到S（N-1）），默认为空矩阵[]。输出层的单元数目SN取决于T。net：返回N层的前馈BP神经网络

TF：相关层的传递函数，默认隐含层为tansig函数，输出层为purelin函数。BTF：BP神经网络学习训练函数，默认值为trainlm函数。BLF：权重学习函数，默认值为learngdm。PF：性能函数，默认值为mse，可选择的还有sse，sae，mae，crossentropy。IPF，OPF，DDF均为默认值即可。BP算法MATLAB实现2026/10/11BTBU-CIE5BP神经网络的能力2026/10/11BTBU-CIE6多层前馈网能学习和存贮大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程。只要能提供足够多的样本模式对供BP网络进行学习训练，它便能完成由n维输入空间到m维输出空间的非线性映射。非线性映射能力BP神经网络的能力2026/10/11BTBU-CIE7当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。这种能力称为多层前馈网的泛化能力。泛化能力输入样本中带有较大的误差甚至个别错误对网络的输入输出规律影响很小。容错能力致谢本课程所引用的一些

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