神經(jīng)網(wǎng)絡(luò)模型和算法：

Bp神經(jīng)網(wǎng)絡(luò)是一種反向傳播機制，反饋錯誤，固化期望輸出

神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的底層

神經(jīng)元由三層結(jié)構(gòu)組成：

輸入層【例如信號、知識的輸入】，隱藏層【用作處理、訓(xùn)練、學(xué)習(xí)，必不可少，相當(dāng)于知識的理解】，輸出層【經(jīng)過“學(xué)習(xí)”后的輸出】。

誤差反饋辦法：在模擬，交互時，常用到線性擬合，然而現(xiàn)實中大部分事務(wù)時是非線性的，而神經(jīng)網(wǎng)絡(luò)就是通過不斷的誤差反饋，來擬合這種非線性的事務(wù)。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定，最重要的就是權(quán)值確定【神經(jīng)網(wǎng)絡(luò)算法就是權(quán)值的調(diào)整確定】

生物神經(jīng)元：輸入，信號加工、傳遞，輸出

人工神經(jīng)模型:輸入信號x，權(quán)值w【不知關(guān)系，黑箱模型】，閾值θ【產(chǎn)生刺激最低的信號值，用于選擇要處理的信號，防止處理過多】，輸出y。x和y用大量的權(quán)w來鏈接。

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是多輸入，單輸出的非線性系統(tǒng)。

神經(jīng)元輸入輸出關(guān)系【與權(quán)、閾有關(guān)】,net=wx,y=f(net),f是一種激活函數(shù)。

上面的關(guān)系也可以用向量表示，激活函數(shù)常為s函數(shù)、雙極s函數(shù)，均為連續(xù)函數(shù)。

學(xué)習(xí)訓(xùn)練的模式有前饋，反饋【最好】，自由神經(jīng)網(wǎng)絡(luò)，其中反饋模式最好。

神經(jīng)網(wǎng)絡(luò)工作狀態(tài)：學(xué)習(xí)【利用學(xué)習(xí)調(diào)整權(quán)重，使網(wǎng)絡(luò)輸出符合實際】和工作【鏈接權(quán)重不變，作為分類器或預(yù)測數(shù)據(jù)用】

BP是一種有導(dǎo)師、有監(jiān)督的反饋學(xué)習(xí)方式。

BP神經(jīng)網(wǎng)絡(luò)的連接，每根線都是一個權(quán)值。

神經(jīng)網(wǎng)絡(luò)就是找正確權(quán)值，而權(quán)值被輸入、輸出所固定。

找到一組實際輸出與標準輸出誤差最小的權(quán)值，找的他最小值，即函數(shù)的極值，所以激活函數(shù)要連續(xù)。

神經(jīng)網(wǎng)絡(luò)工作步驟如下：

首先，計算個神經(jīng)元輸入和輸出，第二步計算誤差函數(shù)對各輸出層神經(jīng)元偏導(dǎo)數(shù)，第三步計算誤差函數(shù)對隱藏層神經(jīng)元求偏導(dǎo)數(shù)，利用前兩步的結(jié)果修正權(quán)值，這其中有個學(xué)習(xí)率來修正【學(xué)習(xí)】。計算全局誤差，決定是否滿足要求，不滿足則繼續(xù)修正。

關(guān)鍵在于有正確標準數(shù)據(jù)，建立起了對應(yīng)數(shù)據(jù)、標準輸出，不滿足則繼續(xù)修正·，所以神經(jīng)網(wǎng)絡(luò)難以處理沒有預(yù)料到的情況。

應(yīng)用最多的地方：擬合，評價，分類。

總結(jié)：神經(jīng)網(wǎng)絡(luò)由三層架構(gòu)組成，通過黑箱，構(gòu)建了一個x【輸入】/y【輸出】關(guān)系，黑箱進行誤差、修正誤差、修正全過程、訓(xùn)練過程。

神經(jīng)網(wǎng)絡(luò)編程：

神經(jīng)網(wǎng)絡(luò)編程案例推薦書：《MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析》

普通的分類，通常用畫線把它們區(qū)分開來，而有時候不規(guī)則，使用不了畫線

則可用數(shù)據(jù)作為輸入，類型作為輸出來分類。

神經(jīng)網(wǎng)絡(luò)還可用于評價類、預(yù)測類有輸入輸出關(guān)系的問題。

參數(shù)：數(shù)量【輸入】，輸出的一般為一個參數(shù)。

在MATLAB中編碼神經(jīng)網(wǎng)絡(luò)算法，有的函數(shù)要作為激發(fā)，有的要作為輸出，有的要作為學(xué)習(xí)規(guī)則，例如下面這個例子：

如何用代碼構(gòu)建神經(jīng)網(wǎng)絡(luò)？至少要滿足三層架構(gòu)，否則得到的輸出難以符合期望，其中隱藏層更是必不可少，甚至不能過于簡單的。

下圖希望訓(xùn)練點，期望輸出線，得到的結(jié)果卻不擬合。

這是因為沒有訓(xùn)練。故隱藏神經(jīng)元越多越好【實際上多則慢】

大量的現(xiàn)實表明，神經(jīng)網(wǎng)絡(luò)模型適合大樣本的擬合，適合大樣本數(shù)據(jù)量。如果小樣本時用神經(jīng)網(wǎng)絡(luò)則顯的外行，反而不如最小二乘擬合有效。

總結(jié)

以上是生活随笔為你收集整理的BP神经网络模型介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。