(完整版)BP神经网络算法步骤.doc
- 明天会更好个人认证 |
- 2020-11-04 发布|
- 38.51 KB|
- 1页
传统的 BP 算法简述
BP 算法是一种有监督式的学习算法,其主要思想是:输入学习样本,使用
反向传播算法对网络的权值和偏差进行反复的调整训练, 使输出的向量与期望向
量尽可能地接近, 当网络输出层的误差平方和小于指定的误差时训练完成, 保存
网络的权值和偏差。具体步骤如下:
(1)初始化,随机给定各连接权 [w],[v] 及阀值 θi,rt。(2)由给定的输入输出模式对计算隐层、输出层各单元输出(3)计算新的连接权及阀值,计算公式如下:
(4)选取下一个输入模式对返回第 2 步反复训练直到网络设输出误差达到要求结束训练。
第一步,网络初始化
给各连接权值分别赋一个区间( -1,1)内的随机数,设定误差函数
精度值 和最大学习次数 M 。
第二步 ,随机选取第 k 个输入样本及对应期望输出
e,给定计算
do
(k)
d1 (k), d2 (k),L
, dq
(k)
x
( k)
x1 (k), x2 ( k),L , xn ( k)
第三步,计算隐含层各神经元的输入和输出
第四步,利用网络期望输出和实际输出, 计算误差函数对输出层的各神经元的偏导数 o (k)a
第五步,利用隐含层到输出层的连接权值、输出层的 o ( k) 和隐含层的输出计算误差函数对隐含层各神经元的偏导数 h (k )
第六步,利用输出层各神经元的 o ( k) 和隐含层各神经元的输出来修正连接权值
who ( k)
第七步,利用隐含层各神经元的
h (k ) 和输入层各神经元的输入修正连接权。
1
m
q
第八步,计算全局误差 E
(do (k) yo (k ))2
2m k 1
o 1
第九步,判断网络误差是否满足要求。 当误差达到预设精度或学习次数大于设定的最大次数,则结束算法。否则,选取下一个学习样本及对应的期望输出,返回到第三步,进入下一轮学习。