一 多层网络结构
误差反向传播,把误差从最后输出层往上传,每一层神经元都可以不断调节权值,使其达到一个最好的状态。有几个类别设置几个输出单元。层数越多,数据提取的特征越高层。
二 常用激活函数
- Sigmoid函数
2. Tanh函数和Softsign函数
三 BP神经网络的具体实现
1.基本思想:由信号的正向传播和误差的反向传播组成。首先是正向传播,数据从输入层输入,经各隐含层逐层处理后传向输出层。若输出层的实际输出与期望输出有差距,则进入误差的反向传播阶段,将输出层的输出误差以某种形式的信号通过隐含层向输入层,并将误差均分给每层的所有单元,从而获得各层单元的误差信号,将该误差信号作为修正各单元权值的依据。权值的不断调整,使实际输出更加接近期望输出 ,反复进行正向传播与反向误差传播,直到输出误差达到期望值,或者循环到要求的学习次为止。权值的不断调整的过程,就是网络的学习训练的过程。
2.网络模型
输入向量为x0 = -1是为隐含层神经元引入阀值而设置的。
隐含层输出向量为