初始的权值和偏差一般是在0-1之间，随机选取某一0-1之间的值作为某一权值或偏差的值原因在于：1、数据预处理阶段会将所有的数据规范化到0-1之间，并且神经网络的输出也是0-1之间的向量，因此其中的网络结点值也应位于0-1中2、随机初始化的优势在于可有效避免梯度消失或梯度爆炸的问题，增加网络的稳定性。输出的问题，一般模式识别会用 0 1向量来代表，例如你有三类，目标输出应该是[ 0 1 0]这样，来代表它是第2类， 训练的时候用 0 1 0，当然，预测到的可能是[ 0.1 0.9 0.1]这样。
BP神经网络方法
人工神经网络是近几年来发展起来的新兴学科，它是一种大规模并行分布处理的非线性系统，适用解决难以用数学模型描述的系统，逼近任何非线性的特性，具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力，使得神经网络理论的应用已经渗透到了各个领域。
近年来，人工神经网络在水质分析和评价中的应用越来越广泛，并取得良好效果。在这些应用中，纵观应用于模式识别的神经网络，BP网络是最有效、最活跃的方法之一。
BP网络是多层前向网络的权值学习采用误差逆传播学习的一种算法（Error Back Propagation，简称BP）。在具体应用该网络时分为网络训练及网络工作两个阶段。
在网络训练阶段，根据给定的训练模式，按照“模式的顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”4个过程进行网络权值的训练。
在网络的工作阶段，根据训练好的网络权值及给定的输入向量，按照“模式顺传播”方式求得与输入向量相对应的输出向量的解答（阎平凡，2000）。
BP算法是一种比较成熟的有指导的训练方法，是一个单向传播的多层前馈网络。它包含输入层、隐含层、输出层，如图4-4所示。
图4-4 地下水质量评价的BP神经网络模型图4-4给出了4层地下水水质评价的BP神经网络模型。同层节点之间不连接。
输入信号从输入层节点，依次传过各隐含层节点，然后传到输出层节点，如果在输出层得不到期望输出，则转入反向传播，将误差信号沿原来通路返回，通过学习来修改各层神经元的权值，使误差信号最小。
每一层节点的输出只影响下一层节点的输入。
每个节点都对应着一个作用函数（f）和阈值（a），B
最低0.47元/天 解锁文章
419
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
