Sigmoid函数,即f(x)=1/(1+e-x)。
神经元的非线性作用函数。
人工神经网络的学习算法-BP算法神经网络的学习是基于一组样本进行的,它包括输入和输出(这里用期望输出表示),输入和输出有多少个分量就有多少个输入和输出神经元与之对应。最初神经网络的权值(Weight)和阈值(Threshold)是任意给定的,学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致。
神经元的非线性作用函数是Sigmoid函数,即f(x)=1/(1+e-x)。
Sigmoid函数,即f(x)=1/(1+e-x)。
神经元的非线性作用函数。
人工神经网络的学习算法-BP算法神经网络的学习是基于一组样本进行的,它包括输入和输出(这里用期望输出表示),输入和输出有多少个分量就有多少个输入和输出神经元与之对应。最初神经网络的权值(Weight)和阈值(Threshold)是任意给定的,学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致。
神经元的非线性作用函数是Sigmoid函数,即f(x)=1/(1+e-x)。