(完整版)BP神经网络算法步骤.doc

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