未来智讯 > 神经网络论文 > BP神经网络的探讨与应用
BP神经网络的学习与应用:赵浩摘要:人工神经网络的范围很广泛,大型局部人工神经网络模拟选择BP网络,它也是局部网络的前馈焦点,反映了人工神经网络 网络最重要的部分。 为了解决中国三大房地产数据的前景,提出了解决BP算法的问题。 并在MATLAB仿真中取得了良好的效率。 关键词:BP神经网络MATLAB仿真中图分类号:TP39文献标识码:A文章编号:1007-3973(2010)06-061-02
1 BP神经网络概述BP(Back Propagation)网络由一组人提出 由Rumelhart和McCelland于1986年领导的科学家。这是一个由偏置逆传播算法训练的多层前馈网络。 它是今天最常用的神经。 网络模型之一。 其训练标准是使用最陡的着陆方法,并解决反向扩散以调节网络的权重和阈值,从而最小化网络的平方偏差。 BP通常是多层神经网络,其模型拓扑布局通常包括输入层,隐藏层和输出层。 如图1所示,2BP网络的训练算法如下:(1)最速下降反向传播(SDBP)。 如图2所示,BP神经网络设置为k。 迭代次数,然后每个权重和阈值校正如下进行:其中:w(t)是第k次迭代的层之间的联合权重向量或阈值向量。 x(k)=神经网络输出偏差与第k次迭代的权重或阈值的梯度向量。 负号表示梯度的反向偏差,梯度中最陡的下降。 对于训练速度,训练期间的力量是恒定的。 在MATLAB神经网络填充框中,默认值为0.01,可配置为更改训练参数。 对于第k次迭代的网络输出的总偏差本能函数,在MATLAB神经网络东西方框中,BP网络偏差本能函数的默认值是平均偏差(MSE):( 2.9)梯度x( k)=可以获得第k次迭代的总偏差表面。 在替代替代(2.1)中,可以连续地校正权重和阈值,并且将总偏差改变为减小的偏差。 最后,找到所需的偏差本能。 (2)动量反向传播(MOBP)因为反向扩频算法的应用是常见的,所以已经开发了许多反向扩展算法的变体。 梯度着陆算法中最常见的是修改公式(2.1)的权重更新规则,即引入脉冲因子,0≤
转载请注明来源。原文地址:http://tangtes.cn/page/2019/0426/86641/
 与本篇相关的热门内容: