首頁 > 產(chǎn)品 > 問答 > bp網(wǎng)絡(luò)，解釋下多層單向BP神經(jīng)網(wǎng)絡(luò)算法

bp網(wǎng)絡(luò)，解釋下多層單向BP神經(jīng)網(wǎng)絡(luò)算法

來源：整理時間：2023-09-04 04:29:27 編輯：智能門戶手機版

本文目錄一覽

1，解釋下多層單向BP神經(jīng)網(wǎng)絡(luò)算法
2，BP網(wǎng)絡(luò) 多層感知器區(qū)別
3，bpit網(wǎng)絡(luò)環(huán)境是什么
4，BP網(wǎng)絡(luò)就是BP神經(jīng)網(wǎng)絡(luò)嗎
5，什么是BP神經(jīng)網(wǎng)絡(luò)
6，什么是神經(jīng)網(wǎng)絡(luò)的BP算法

1，解釋下多層單向BP神經(jīng)網(wǎng)絡(luò)算法

這邊有具體說明: 如果不是你所需要的,抱歉 http://hk.56.com/gate/big5/www.guaguab.com/?32473-1.html

解釋下多層單向BP神經(jīng)網(wǎng)絡(luò)算法

2，BP網(wǎng)絡(luò) 多層感知器區(qū)別

多層感知器是指得結(jié)構(gòu)，BP是指得學習算法。感知器模型挺簡單的，就是神經(jīng)元上多個輸入的求和帶入輸出函數(shù)減去閾值。多層感知器就是指得結(jié)構(gòu)上多層的感知器模型遞接連成的前向型網(wǎng)絡(luò)。BP就是指得反向傳播算法，BP網(wǎng)絡(luò)指得就是具有多層感知器結(jié)構(gòu)采取反向傳播算法的網(wǎng)絡(luò)。 BP網(wǎng)絡(luò)就是多層感知器網(wǎng)絡(luò)的一種，但是BP網(wǎng)絡(luò)突出的是算法，多層感知器突出的是結(jié)構(gòu)。

BP網(wǎng)絡(luò) 多層感知器區(qū)別

3，bpit網(wǎng)絡(luò)環(huán)境是什么

BP網(wǎng)絡(luò)能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。

搜一下：bpit網(wǎng)絡(luò)環(huán)境是什么再看看別人怎么說的。

bpit網(wǎng)絡(luò)環(huán)境是什么

4，BP網(wǎng)絡(luò)就是BP神經(jīng)網(wǎng)絡(luò)嗎

我研究生三年研究的都是這玩意，很負責任地告訴你，BP網(wǎng)絡(luò)就是BP神經(jīng)網(wǎng)絡(luò)，看你這個題目，你是本科生吧！你這個很簡單啊，很多參考書上都有類似的程序，借鑒一下就可以了！基于BP網(wǎng)絡(luò)的PID控制器，這怎么解答，呵呵！你去參考一些書就是了，有一本西安電子科技大學出版的關(guān)于神經(jīng)網(wǎng)路的書，很好，里面的程序很多可以拿來用！記住買書的時候不一定非要買BP神經(jīng)網(wǎng)絡(luò)方面的書，因為BP神經(jīng)網(wǎng)絡(luò)只是N多種神經(jīng)網(wǎng)絡(luò)中最常用的一種，所以很少有單講BP網(wǎng)路的，都是講神經(jīng)網(wǎng)絡(luò)，其中有一章是BP。

5，什么是BP神經(jīng)網(wǎng)絡(luò)

BP算法的基本思想是：學習過程由信號正向傳播與誤差的反向回傳兩個部分組成；正向傳播時，輸入樣本從輸入層傳入，經(jīng)各隱層依次逐層處理，傳向輸出層，若輸出層輸出與期望不符，則將誤差作為調(diào)整信號逐層反向回傳，對神經(jīng)元之間的連接權(quán)矩陣做出處理，使誤差減小。經(jīng)反復學習，最終使誤差減小到可接受的范圍。具體步驟如下： 1、從訓練集中取出某一樣本，把信息輸入網(wǎng)絡(luò)中。 2、通過各節(jié)點間的連接情況正向逐層處理后，得到神經(jīng)網(wǎng)絡(luò)的實際輸出。 3、計算網(wǎng)絡(luò)實際輸出與期望輸出的誤差。 4、將誤差逐層反向回傳至之前各層，并按一定原則將誤差信號加載到連接權(quán)值上，使整個神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向誤差減小的方向轉(zhuǎn)化。 5、対訓練集中每一個輸入—輸出樣本對重復以上步驟，直到整個訓練樣本集的誤差減小到符合要求為止。

6，什么是神經(jīng)網(wǎng)絡(luò)的BP算法

簡介：BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer) 　　摘要：ＢＰ神經(jīng)網(wǎng)絡(luò)算法是在ＢＰ神經(jīng)網(wǎng)絡(luò)現(xiàn)有算法的基礎(chǔ)上提出的，是通過任意選定一組權(quán)值，將給定的目標輸出直接作為線性方程的代數(shù)和來建立線性方程組，解得待求權(quán)，不存在傳統(tǒng)方法的局部極小及收斂速度慢的問題，且更易理解。　　關(guān)鍵詞：固定權(quán)值；ｇａｕｓｓ消元法；ＢＰ算法　　人工神經(jīng)網(wǎng)絡(luò)（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＡＮＮ）系統(tǒng)是２０世紀４０年代后出現(xiàn)的，它是由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學習能力等特點，在信息處理、模式識別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來越廣泛的應(yīng)用。尤其誤差反向傳播算法（ＥｒｒｏｒＢａｃｋ－ｐｒｏｐａｇａｔｉｏｎＴｒａｉｎｉｎｇ，簡稱ＢＰ網(wǎng)絡(luò)）可以逼近任意連續(xù)函數(shù)，具有很強的非線性映射能力，而且網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學習系數(shù)等參數(shù)可根據(jù)具體情況設(shè)定，靈活性很大，所以它在許多應(yīng)用領(lǐng)域中起到重要作用。近年來，為了解決ＢＰ神經(jīng)網(wǎng)絡(luò)收斂速度慢、不能保證收斂到全局最小點，網(wǎng)絡(luò)的中間層及它的單元數(shù)選取無理論指導及網(wǎng)絡(luò)學習和記憶的不穩(wěn)定性等缺陷，提出了許多改進算法。　?。?傳統(tǒng)的ＢＰ算法簡述　?。拢兴惴ㄊ且环N有監(jiān)督式的學習算法，其主要思想是：輸入學習樣本，使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復的調(diào)整訓練，使輸出的向量與期望向量盡可能地接近，當網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差。具體步驟如下：　?。ǎ保┏跏蓟?，隨機給定各連接權(quán)［ｗ］,［ｖ］及閥值θi，ｒt。　?。ǎ玻┯山o定的輸入輸出模式對計算隱層、輸出層各單元輸出　　ｂj＝ｆ（■wijai-θj）ｃt＝ｆ（■vjtbj－ｒt）　　式中：ｂj為隱層第ｊ個神經(jīng)元實際輸出；ｃt為輸出層第ｔ個神經(jīng)元的實際輸出；wij為輸入層至隱層的連接權(quán)；vjt為隱層至輸出層的連接權(quán)。　?。鋞k＝（ｙtk－ｃt）ｃt（１－ｃt）ｅjk＝［■dtvjt］ｂj（１－ｂj）　　式中：ｄtk為輸出層的校正誤差；ｅjk為隱層的校正誤差。　?。ǎ常┯嬎阈碌倪B接權(quán)及閥值，計算公式如下：　?。鰆t（ｎ＋１）＝ｖjt（ｎ）＋?琢ｄtkｂj ｗij（ｎ＋１）＝ｗij（ｎ）＋?茁ｅjkａik 　?。騮（ｎ＋１）＝ｒt（ｎ）＋?琢ｄtk θj（ｎ＋１）=θj（ｎ）＋?茁ｅjk 　　式中：?琢，?茁為學習系數(shù)（０＜?琢＜１，０＜?茁＜１）。　　（４）選取下一個輸入模式對返回第２步反復訓練直到網(wǎng)絡(luò)設(shè)輸出誤差達到要求結(jié)束訓練。　　傳統(tǒng)的ＢＰ算法，實質(zhì)上是把一組樣本輸入/輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，并通過負梯度下降算法，利用迭代運算求解權(quán)值問題的一種學習方法，但其收斂速度慢且容易陷入局部極小，為此提出了一種新的算法，即高斯消元法。