《《BP神经网络》演示PPT.pptx》由会员分享，可在线阅读，更多相关《《BP神经网络》演示PPT.pptx（14页珍藏版）》请在三一文库上搜索。
1、神经网络控制,神经网络控制,什么是人工神经网络？T.Koholen的定义：“人工神经网络是由 具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。”,神经网络控制,神经元模型神经网络模型是由大量的处理单元（神经元）互相连接而成的网络。神经元一般表现为一个多输入、单输出的非线性器件，通用的结构模型如图所示。,接收的信息(其它神经元的输出),互连强度,作比较 的阈值,n维输入向量X,输出,输出函数,神经网络控制,神经元的动作：,状态转移函数 f：也称作用函数，非线性。常用的 状态转移函数有A.阶跃函数 B.准线型函数C.Sigmoid函数D.双
2、曲正切函数,神经网络控制,神经网络的学习算法1.有监督能够根据期望和实际的网络输出间的差值来调整神经元间链接的强度或权2.无监督无监督学习算法不需要知道期望输出3.增强学习是有监督学习的特例，不需要教师给出目标输出,神经网络基本理论,感知器模型类似于神经网络中单个神经元修正权值 用于控制修正速度,BP神经网络,BP网络是一种具有三层或三层以上神经元的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。按照减少目标输出与实际输出之间误差的方向，从
3、输出层反向经过各中间层回到输入层，从而逐层修正各连接权值。这种算法成为“BP算法”。由于误差反向传播，BP网络传递函数必须可微，常用的有Sigmoid型函数、正切函数和线性函数。,BP神经网络,两个阶段,正向传播阶段：逐层状态更新,反向传播阶段：误差,设：某层任一神经元j的 输入为netj，输出为yj； 相邻低一层中任一 神经元i的输出为yi。,wij：神经元i与j之间的连接权；,f()：神经元的输出函数。,BP神经网络,S型输出函数：,j：神经元阈值； h0：修改输出函数形状的参数。,设：输出层中第k个神经元的实际输出为yk，输入为netk； 与输出层相邻的隐层中任一神经元j的输出为yj。,BP神经网络,BP算法实质是求取误差函数的最小值问题。这种算法采用非线性规划中的最速下降方法，按误差函数的负梯度方向修改权系数。,对输入模式Xp，若输出层中第k个神经元的期望输出为dpk，实际输出为ypk。输出层的输出方差 ：,BP神经网络,若输入N个模式，网络的系统均方差为：,当输入Xp时，wjk的修正增量：,其中，,由 式得到：,BP神经网络,令 ， 可得,输出单元的误差：,输出单元的修正增量：,对于与输出层相邻的隐层中的神经元j 和该隐层前低一层中的神经元i ：,输出层中神经元输出的误差反向传播到前面各层，对各层之间的权值进行修正。,谢谢,14,