多层感知器:
单层感知器只能解决线性可分的分类问题,要增强,唯一的方法就是采用多层网络,在输入输出层之间加上隐含层,构成多层感知器。
多层感知器同单层感知器的四个特点:
- 除了输入输出层,多层感知器还有一层或者多层隐神经元。
- 多层感知器中的每个神经元的激励函数是可微的。
- 多层感知器的多个突触使得网络更具有连通性,连接域变化或者连接权值的变化都会引起连通性的变化。
- 多层感知器有着独特的反向传播算法。
反向传播算法:
学习过程:
- 工作信号正向传播:输入信号经过输入层,隐单元,传向输出层,在输出端产生信号。在信号的向前传播的过程中网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出,则转入误差信号反向传播。
- 误差信号反向传播:网络中的实际输出与期望输出之间的差值为误差信号,误差信号由输出端开始逐层向前传播。再此过程中,网络的权值由误差反馈进行调节,通过权值不断修正,使网络的实际输出更接近期望输出。
公式推导(以三层网络为例):
- 公式定义:
- 正向传播时的公式:
- 定义误差能量:
- 输出层与隐含层之间的权值修订:
当S型函数求导时,f(x)的导函数为:f(x)*(1-f(x))
- 隐含层与隐含层之间的权值修订:
end.