BP神经网络研究（一）

本随笔参考文章：《BP神经网络详解与实例》（链接: https://pan.baidu.com/s/1e2niIvD9KtLXEqwXtgdXxw 密码: vb8d）

本随笔原创，转发请注明原处：https://www.cnblogs.com/nanyunan/p/9494946.html

---

1 神经网络单元示例

2 神经网络示例

3 几个重要公式

3.1 单元前向公式

y=f[sum(wi*xi)-θ]

其中，wi是输入权重，xi是输入值，sum是求和函数，θ是阈(yu)值，f是激发函数

其中，f激发函数主要有：sgn，Sigmoid

其中，sgn是符号函数（https://baike.baidu.com/item/sign/115763）

其次，Sigmoid是S型函数（https://baike.baidu.com/item/Sigmoid%E5%87%BD%E6%95%B0/7981407?fr=aladdin）

3.2 单元后向公式

权重迭代公式

假设有n个样本训练网络，p表示当前训练样本，p-1表示上一个训练样本。

ω_l^p(i,j)=ω_l^p-1(i,j)+ηδ_l^pα_l-1^p(j)

其中，ω_l^p(i,j)表示第l层第i个神经单元的第j个输入权重

其中，ω_l^p(i,j)表示新的权重

其中，ω_l^p-1(i,j)表示旧的权重

其中，η是学习效率，取值(0,1)之间，一般默认取值0.1。η过小，收敛过慢，精度高。η过大，收敛快，优解容易丢失。

其中，δ_l^p(i)=f’Sum[δ_l+1^p(j)ω_l+1^p-1(j,i)]

其中，f’是激发函数f的导函数

其中，δ_l+1^p(j)表示下一层第j个神经单元的δ值

其中，ω_l+1^p-1(j,i)表示下一层第j个神经单元第i个权重的旧值

其次，δ_L^p(i)=f’(t^p(i)-a_L^p(i))

其中，L表示最后一层

其中，t^p(i)表示最后一层第i个输出神经单元的真值

其中，a_L^p(i)表示最后一层第i个输出神经单元的输出值

4 编程实例

使用语言：C#

源代码（链接: https://pan.baidu.com/s/1nsh8T2VCISZFQb0fU_wBXg 密码: y8pi）

实例（包含程序，说明书，样本）（链接: https://pan.baidu.com/s/1sWkEOGqKXC6uMCGzD9eg_Q 密码: sjfh）

样本（链接: https://pan.baidu.com/s/1O9XlLOGXRbC0PfAVo9LULA 密码: b9st）

4.1 样本

4.2 样本文件

4.3 创建网络大小

4.4 训练

4.5 询问

 

转载于:https://www.cnblogs.com/nanyunan/p/9494946.html