一、共享单车数据来源
实验中的数据由https://github.com/udacity/deep-learning提供。
二、主要原理
输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每个样本包括输入向量即2015年1-11月的共享单车注册量和期望输出量2015年12月的共享单车注册量,网络输出值预测的2015年12月的注册量Y与期望输出值即2015年12月共享单车实际注册量t之间的偏差,通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点之间的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。通过上述步骤即可以实现用2016年1-11月的共享单车注册量来预测2016年12月的共享单车注册量。具体算法如下:
1、正向传播阶段:
输入结点的输入:
隐藏层节点输出:
为权系数,为阈值
输出层节点输出: