10.3969/j.issn.1002-137X.2004.z2.088
前馈神经网络的一种优化BP算法
@@ 1引言
在1986年,Rumelhart,Hinton和Williams等完整而简明地提出一种人工神经网络的误差反向传播学习算法(简称BP算法)[1],这个算法的学习过程是由正向和反向传播两部分组成:首先是正向传播过程,由输入信息向前传播到隐层或中间层的结点上,经过选定的激活函数(又称传递函数,从理论上讲,激活函数可以多种多样,但由于sigmoid型激活函数不仅映射算法简洁而且收敛性能好,因此常被用作人工神经元的激活函数)运算后,从隐层结点逐层把信息传播到输出层结点,在这个过程中,每一层神经元的输出状态只影响下一层神经元输出,即输入层的输入参数集经隐层逐层映射至输出层;如果输出层的实际输出值与期望值之间的误差大于允许值,则转入反向传播过程,它将误差信号沿原来的连接通路返回,伴随误差从输出层向输入层逐层反传,在这个过程中适时地修改各层神经元间的连接权值,减少输出误差,至此一个学习周期结束.如此经多个学习周期至误差等于或小于允许值,学习过程结束.
前馈神经网络、优化、误差反向传播学习算法、Neural Network、输出层、激活函数、人工神经元、学习周期、学习过程、输入层、传播过程、允许值、人工神经网络、结点、映射算法、信息传播、误差信号、输入信息、输出状态、输出误差
31
TP3(计算技术、计算机技术)
2005-12-08(万方平台首次上网日期,不代表论文的发表时间)
共2页
240-241