神經網絡模型和算法：

Bp神經網絡是一種反向傳播機制，反饋錯誤，固化期望輸出

神經網絡，深度學習的底層

神經元由三層結構組成：

輸入層【例如信號、知識的輸入】，隱藏層【用作處理、訓練、學習，必不可少，相當于知識的理解】，輸出層【經過“學習”后的輸出】。

誤差反饋辦法：在模擬，交互時，常用到線性擬合，然而現實中大部分事務時是非線性的，而神經網絡就是通過不斷的誤差反饋，來擬合這種非線性的事務。

神經網絡結構確定，最重要的就是權值確定【神經網絡算法就是權值的調整確定】

生物神經元：輸入，信號加工、傳遞，輸出

人工神經模型:輸入信號x，權值w【不知關系，黑箱模型】，閾值θ【產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w來鏈接。

神經網絡系統是多輸入，單輸出的非線性系統。

神經元輸入輸出關系【與權、閾有關】,net=wx,y=f(net),f是一種激活函數。

上面的關系也可以用向量表示，激活函數常為s函數、雙極s函數，均為連續函數。

學習訓練的模式有前饋，反饋【最好】，自由神經網絡，其中反饋模式最好。

神經網絡工作狀態：學習【利用學習調整權重，使網絡輸出符合實際】和工作【鏈接權重不變，作為分類器或預測數據用】

BP是一種有導師、有監督的反饋學習方式。

BP神經網絡的連接，每根線都是一個權值。

神經網絡就是找正確權值，而權值被輸入、輸出所固定。

找到一組實際輸出與標準輸出誤差最小的權值，找的他最小值，即函數的極值，所以激活函數要連續。

神經網絡工作步驟如下：

首先，計算個神經元輸入和輸出，第二步計算誤差函數對各輸出層神經元偏導數，第三步計算誤差函數對隱藏層神經元求偏導數，利用前兩步的結果修正權值，這其中有個學習率來修正【學習】。計算全局誤差，決定是否滿足要求，不滿足則繼續修正。

關鍵在于有正確標準數據，建立起了對應數據、標準輸出，不滿足則繼續修正·，所以神經網絡難以處理沒有預料到的情況。

應用最多的地方：擬合，評價，分類。

總結：神經網絡由三層架構組成，通過黑箱，構建了一個x【輸入】/y【輸出】關系，黑箱進行誤差、修正誤差、修正全過程、訓練過程。

神經網絡編程：

神經網絡編程案例推薦書：《MATLAB神經網絡43個案例分析》

普通的分類，通常用畫線把它們區分開來，而有時候不規則，使用不了畫線

則可用數據作為輸入，類型作為輸出來分類。

神經網絡還可用于評價類、預測類有輸入輸出關系的問題。

參數：數量【輸入】，輸出的一般為一個參數。

在MATLAB中編碼神經網絡算法，有的函數要作為激發，有的要作為輸出，有的要作為學習規則，例如下面這個例子：

如何用代碼構建神經網絡？至少要滿足三層架構，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。

下圖希望訓練點，期望輸出線，得到的結果卻不擬合。

這是因為沒有訓練。故隱藏神經元越多越好【實際上多則慢】

大量的現實表明，神經網絡模型適合大樣本的擬合，適合大樣本數據量。如果小樣本時用神經網絡則顯的外行，反而不如最小二乘擬合有效。

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。