BP神经网络模型介绍

神经网络模型和算法：

Bp神经网络是一种反向传播机制，反馈错误，固化期望输出

神经网络，深度学习的底层

神经元由三层结构组成：

输入层【例如信号、知识的输入】，隐藏层【用作处理、训练、学习，必不可少，相当于知识的理解】，输出层【经过“学习”后的输出】。

误差反馈办法：在模拟，交互时，常用到线性拟合，然而现实中大部分事务时是非线性的，而神经网络就是通过不断的误差反馈，来拟合这种非线性的事务。

神经网络结构确定，最重要的就是权值确定【神经网络算法就是权值的调整确定】

生物神经元：输入，信号加工、传递，输出

人工神经模型:输入信号x，权值w【不知关系，黑箱模型】，阈值θ【产生刺激最低的信号值，用于选择要处理的信号，防止处理过多】，输出y。x和y用大量的权w来链接。

神经网络系统是多输入，单输出的非线性系统。

神经元输入输出关系【与权、阈有关】,net=wx,y=f(net),f是一种激活函数。

上面的关系也可以用向量表示，激活函数常为s函数、双极s函数，均为连续函数。

学习训练的模式有前馈，反馈【最好】，自由神经网络，其中反馈模式最好。

神经网络工作状态：学习【利用学习调整权重，使网络输出符合实际】和工作【链接权重不变，作为分类器或预测数据用】

BP是一种有导师、有监督的反馈学习方式。

BP神经网络的连接，每根线都是一个权值。

神经网络就是找正确权值，而权值被输入、输出所固定。

找到一组实际输出与标准输出误差最小的权值，找的他最小值，即函数的极值，所以激活函数要连续。

神经网络工作步骤如下：

首先，计算个神经元输入和输出，第二步计算误差函数对各输出层神经元偏导数，第三步计算误差函数对隐藏层神经元求偏导数，利用前两步的结果修正权值，这其中有个学习率来修正【学习】。计算全局误差，决定是否满足要求，不满足则继续修正。

关键在于有正确标准数据，建立起了对应数据、标准输出，不满足则继续修正·，所以神经网络难以处理没有预料到的情况。

应用最多的地方：拟合，评价，分类。

总结：神经网络由三层架构组成，通过黑箱，构建了一个x【输入】/y【输出】关系，黑箱进行误差、修正误差、修正全过程、训练过程。

神经网络编程：

神经网络编程案例推荐书：《MATLAB神经网络43个案例分析》

普通的分类，通常用画线把它们区分开来，而有时候不规则，使用不了画线

则可用数据作为输入，类型作为输出来分类。

神经网络还可用于评价类、预测类有输入输出关系的问题。

参数：数量【输入】，输出的一般为一个参数。

在MATLAB中编码神经网络算法，有的函数要作为激发，有的要作为输出，有的要作为学习规则，例如下面这个例子：

如何用代码构建神经网络？至少要满足三层架构，否则得到的输出难以符合期望，其中隐藏层更是必不可少，甚至不能过于简单的。

下图希望训练点，期望输出线，得到的结果却不拟合。

这是因为没有训练。故隐藏神经元越多越好【实际上多则慢】

大量的现实表明，神经网络模型适合大样本的拟合，适合大样本数据量。如果小样本时用神经网络则显的外行，反而不如最小二乘拟合有效。