<address id="np17x"></address><sub id="np17x"></sub>
<address id="np17x"></address>

            當前位置:文檔之家 > 脈絡清晰的BP神經網絡講解

            脈絡清晰的BP神經網絡講解

            輸入部接收外來的輸入樣本X,由訓練部進行網絡的權系數W調整,然后由輸出部輸出結果。在這個過程中,期望的輸出信號可以作為教師信號輸入,由該教師信號與實際輸出進行比較,產生的誤差去控制修改權系數W。

            學習機構可用圖1—8所示的結構表示。

            在圖中,X l,X2,…,X n,是輸入樣本信號,W1,W2,…,W n是權系數。輸入樣本信號X i可以取離散值“0”或“1”。輸入樣本信號通過權系數作用,在u產生輸出結果∑W i X i,即有:u=∑W i X i =W1 X1 +W2 X2+…+W n X n

            再把期望輸出信號Y(t)和u進行比較,從而產生誤差信號e。即權值調整機構根據誤差e去對學習系統的權系數進行修改,修改方向應使誤差e變小,不斷進行下去,使到誤差e為零,這時實際輸出值u和期望輸出值Y(t)完全一樣,則學習過程結束。

            脈絡清晰的BP神經網絡講解

            神經網絡的學習一般需要多次重復訓練,使誤差值逐漸向零趨近,最后到達零。則這時才會使輸出與期望一致。故而神經網絡的學習是消耗一定時期的,有的學習過程要重復很多次,甚至達萬次級。原因在于神經網絡的權系數W有很多分量W1,W2,----W n;也即是一個多參數修改系統。系統的參數的調整就必定耗時耗量。目前,提高神經網絡的學習速度,減少學習重復次數是十分重要的研究課題,也是實時控制中的關鍵問題。

            二、感知器的學習算法

            感知器是有單層計算單元的神經網絡,由線性元件及閥值元件組成。感知器如圖1-9所示。

            脈絡清晰的BP神經網絡講解

            在线观看国产国内视频