目录
感知机结构:
BP神经网络:
核心思想:学习过程由信号的正向传播和误差的反向传播两个过程组成
过程示意图:
隐藏神经元的个数确定:输入层节点数m个,输出层节点数n个,b为1-9的整数,则隐藏层节点数s:
计算过程:
前向传播:
1计算输入到h1和h2的值:
H1 = w1*i1+w2*i2+b1
H2 = w3*i1+w4*i2+b1
2.计算h1和h2的值:
利用sigmod函数计算:
其中x为第一部中计算的输入的值
3.计算输入到o1和o2的值:
O1 = w5*h1+w6*h2+b2
O2 = w7*h1+w8*h2+b2
4.计算o1和o2的值:
利用sigmod函数,同过程2
反向计算:
1计算误差:
即计算实际的输出值和预计输出值之间的方差和,即:
2.更新权值
1.计算偏导,以计算w5为例:
其中:
第一步:
第二步:
第三步:
第四步:将前三步所得数值相乘得到偏导值
2.更新w5的值:
公式:
说明:其中η为学习率,学习率需要去得合适的值,数值一般在0.01到0.8。若数值过小则收敛缓慢,降低学习效率;若数值过大则难以收敛,无法取到最优得权值。
3.输入层的权值更新:
1.以w1为例:
公式:
第一步:
其中:
第二步:
其中:
第三步:
其中:
第四步:
将第1到3步中的所得值相乘得到。
2.更新w1的权值:
η的说明同上。