过调整输入节点与隐层节点连接强度取石家庄经济学院华信学院学士学位论文 7 值W ij 和隐层节点与输出节点之间的连接强度 T jk 以及阈值,使误差沿梯度方向下降,经过反复的学习训练,确定与最小误差相对应的网络参数(权值和阈值) ,训练即告停止, 此时经过训练的神经网络即能够对类似样本的输入信息自行处理,输入误差最小的经过非线性转换的信息。 BP神经网络结构如图 2-4 所示: 图2-4 BP网络结构 BP神经网络的学习过程及过程: 网络输入向量);,..., ,(P 21knaaa?网络目标向量);,... ,(T 21qkyyy?中间层单元输入向量);,... ,(S 21kpsss?输出向量);,... ,(B 21pkbbb?输出层单元输入向量);,..., ,(L 21qklll?输出向量);,..., ,(C ?输入层至中间层的连接权 w ij,i=1,2,...,n, j=1,2,...p ; 中间层至输出层的连接权 v jt,j=1,2,...,n, t=1,2,...p ; 中间层各单元的输出阈值θ j,j=1,2,...p ; 输出层各单元的输出阈值 j?,j=1,2,...p ; 参数 k=1,2,3...,m 。(1 )初始化。给每个连接权值 w ij、v jt、阈值θ j与 j?赋予区间( -1,1 )内的随机值。(2 )随机选取一组输入和目标样本),... ,(T),..., ,( 21 k21sssaaa kp kkkn kkkP??、提供给网络。(3 )用输入样本),..., ,(P 21 kaaa kn kk?、连接权 w ij 和阈值θ j 计算中间层各单元的输入 s j, 然后用 s j通过传递函数计算中间层各单元的输出 b j。? ji ni ijaw ????1 jSp,..., 2,1j?)(sb jjf?p,..., 2,1j?
全文预览
