BP神经网络介绍

18
11
4.4 BP神经网络学习算法
（5）修正隐含层至输出层的连接权值V和输出层神经元
的阈值γ，其中学习速率为α，0<α<1
v jt dt b j
t dt
j=1,2,...,p，t=1,2,...,q
（6）修正输入层至隐含层的连接权值W和隐含层神经元 的阈值θ，其中学习速率为β，0<β<1
wij e j xi j e j
18
12
4.5 BP网络的分析--梯度下降学习方法
一、BP网络的主要能力
1、非线性映射能力
二、BP算法的局限性
1、存在局部极小问题
2、泛化能力
3、容错能力
2、存在平坦区，收敛速度慢
3、网络结构选择不一
18
13
4.6 BP人工神经网络模型的改进
1、BP 人工神经网络结构的自我调整 在BP人工神经网络拓扑结构中, 输入节点与输出节点 是由问题的本身决定的, 关键在于隐层的层数与隐节点的 数目。 只需一个隐层的神经网络, 它只要隐节点足够多, 就 可以以任意精度逼近一个非线性函数。相对来说, 隐节点 数的选取很困难。隐节点少了, 学习过程不可能收敛；隐 节点多了, 网络性能下降, 节点冗余。为了找到合适的隐 节点数, 最好的办法是在网络的学习过程中, 根据环境要 求, 自组织地学习、调整自己的结构, 最后得到一个大小 合适的神经网络模型。 • 从少到多：初始值： m log2 n ， m • 先设置较多隐节点
18
6
x1 x2 xn
4.3 BP神经网络处理的单元模型
w1j w2j wnj j
θj yj
s j x i wij j
i 1
n
1 f x 1 ex
1 y j f (s j ) s 1 e j
阈值θj的作用反应在s型生
长曲线上是使曲线向右平移θj 个单位，在BP网络里它起到 了神经元兴奋水平的作用。
18
7
4.3 BP神经网络处理的单元模型
Sigmoid函数的一阶导数：
f ' x
1 e
1
x 2
e x 1
1 e x x 1 e 1 e x
f x 1 f x
18
8
4.4 BP神经网络学习算法
三层前馈网中: 输入模式k向量为X = ( x1 , x2 , ⋯,x n) T ，对应输入模式k的期
第四章 误差反向传播神经网络
研16电子 陈晨 2017.4.11
4.1 误差反向网络的提出
4.2 BP神经网络结构基本思想
4.3 BP神经网络处理的单元模型
4.4 BP神经网络学习算法
4.5 BP网络的分析--梯度下降学习方法
4.6 BP人工神经网络模型的改进
18
3
4.1 误差反向网络的提出
1986 年,Romelhart 和McCelland 提出了误差反向传播算 法( Error Back Propagation Algorithm ，简称BP 算法) ,由于
t

j 1
jt
j
t

（3）根据给定期望，计算输出层各个神经元的校正误差
dt yt ct f ' lt
（4）计算隐含层各个神经元的校正误差
q e j v jt d t f ' s j t 1
f ' x f x 1 f x
多层前馈网络的训练经常采用误差反向传播算法，所以人们
也常把多层前馈网络称为BP 网络。 BP算法采用非线性连续变换函数，使隐含层神经元具有 了学习能力。其基本思想直观、易于理解，数学意义明确、 步骤分明，所以BP 网络成为目前应用最广的神经网络。
18
4
4.2 BP神经网络结构基本思想
修改权值阈值 教师 信号
E wij n wij n 1 wij
n为训练次数，η为动量因子，一般取0.95左右
18
16
4.6 BP人工神经网络模型的改进
4. 引入放大因子
5. 用蚁群优化算法选择最优初始权值 蚁群优化算法是一种对离散优化问题进行求解的通用 型框架。在某条具体路径当中所经过的蚂蚁数量越多，相 应的信息条件密集性也就越大，从而这一路径被选取的概 率也就越大，其呈现出的是一种正反馈的现状情况。每一 只蚂蚁在仅穿过任一节点一次的情况之时，对被选用的权 值节点进行明确的记录，从而该区域之中的节点也就组成 了一组候选权值，在所有蚂蚁均完成了首次选择后，依据 全局更新策略来对信息素的密度进行更新。直至满足于最 大进化代数，也就得到了最佳的权值组合。
18
5
4.2 BP神经网络结构基本思想
BP算法的主要思想是把训练过程分为两个阶段： 第一阶段(正向传播过程)给出输入信息通过输入层经隐含 层逐层处理并计算每个单元的实际输出值。 第二阶段(反向传播过程)若在输出层不能得到期望的输出
值，那么逐层递归地计算实际输出与期望输出之差值，以便
根据差值调节权值。
18
9
1 q E yt ct q t 1
ERME
18
10
4.4 BP神经网络学习算法
（1）计算中间隐含层各个神经元的净输入和输出
s j x i wij j
i 1
n
b j fBiblioteka s j j=1,2,...,p
（2）计算输出层各个神经元的净输入和实际输出 p ct f lt t=1,2,...,q l v b
nl
18
14
4.6 BP人工神经网络模型的改进
2、BP 神经网络学习参数的自适应学习 BP神经网络模型实际上是一个多元函数的优化问题,即 以连结权系数为变量, 误差函数最小为目标的优化问题。 当求出对连结权的梯度后, 对连结权进行修正时, 学习速 率α 、β 实际上是一个沿负梯度方向的步长问题, 步长过 大将使误差函数发生振荡, 步长过小, 收敛过慢。并且在 不同的点, 可选步长也不一样。总之, 不存在原BP 算法 中所提到的固定学习速率。 我们可以引入学习参数自适应算法加以确定。其基本思 想是：当权值w,v 远离稳定点(学习要达到的目标点)时, α ,β 取较大值；而当其逼近稳定点(E1→0)时, α ,β 取较 小值。
望输出向量为Y = ( y1 , y2 , ⋯, yq ) T ； 中间隐含层的净输入向量为S=(s1,s2 , ⋯,sp)T，输出向量为B = (b1 , b2 , ⋯,bp) T ； 输出层净输入向量L=(l1,l2 , ⋯,lq)T，实际输出向量C=（c1,c2 , ⋯,cq)T； θ={θj}（j=1,2 , ⋯,p}为隐层神经元引入阈值，γ={γt}(t=1,2...q) 为输出层神经元引入阈值； 输入层到隐层之间的权值矩阵 V = ( V1 , V2 , ⋯,V m) ，隐层到 输出层之间的权值矩阵 W = ( W1 ,W2 , ⋯, Wr)。
问题？
18
15
4.6 BP人工神经网络模型的改进
3.附加动量法 附加动量法使网络在修正其权值时, 不仅考虑误差在 梯度上的作用, 而且考虑在误差曲面上变化趋势的影响, 其作用如同一个低通滤波器, 它允许网络忽略网络上的
微小变化特性, 在没有附加动量的作用下, 网络可能陷
入浅的局部极小值, 利用附加动量的作用则有可能滑过 这些局部极小值。