BP神经网络是一种多层的前馈神经网络。
特点:信号是前向传播的,而误差是反向传播的。
反向传播:学习的目的是获得对输入准确精炼的描述。影响输出结果的是每层的权重和偏置,因此为了达到目标,需要将输出误差层层传递回去,看每个参数对误差的影响,并因此调整参数。
BP神经网络的过程主要分为两个阶段:
第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层;
第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
权值和阈值不断调整的过程,就是网络的学习与训练过程,经过信号正向传播与误差反向传播,权值和阈值的调整反复进行,一直进行到预先设定的学习训练次数,或输出误差减小到允许的程度。
卷积神经网络(Convolutional Neural Network)是一个专门针对图像识别问题设计的神经网络
CNN卷积神经网络结构:
1.输入层:对模型数据进行预处理.数据来源的原始数据常常包含着噪音、不完整、甚至是不一致的数据。为了得到高质量的数据挖据效果,在进行数据挖掘之前,必须对原始数据做一定的处理,这种从原始数据到挖掘数据之间,对数据进行的操作叫做数据预处理.(常见处理方法:去均值,归一化…)
2.卷积层:局部感知特性,对于图片中的每一个特征首先局部感知,然后更高层次对局部进行综合操作,从而得到全局信息。需要权值共享呢,同一层下的神经元