<sub id="1n3d3"><dfn id="1n3d3"><output id="1n3d3"></output></dfn></sub><address id="1n3d3"></address>
<sub id="1n3d3"><var id="1n3d3"><ins id="1n3d3"></ins></var></sub>

    <address id="1n3d3"><dfn id="1n3d3"></dfn></address>

    <address id="1n3d3"><dfn id="1n3d3"><ins id="1n3d3"></ins></dfn></address>
    <thead id="1n3d3"><var id="1n3d3"><ins id="1n3d3"></ins></var></thead>

        <address id="1n3d3"><var id="1n3d3"><output id="1n3d3"></output></var></address>
        <sub id="1n3d3"><dfn id="1n3d3"></dfn></sub>

        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

        學習是神經網絡一種最重要也最令人注目的特點。在神經網絡的發展進程中,學習算法的研究有著十分重要的地位。目前,人們所提出的神經網絡模型都是和學習算法相應的。所以,有時人們并不去祈求對模型和算法進行嚴格的定義或區分。有的模型可以有多種算法.而有的算法可能可用于多種模型。不過,有時人們也稱算法為模型。

        自從40年代Hebb提出的學習規則以來,人們相繼提出了各種各樣的學習算法。其中以在1986年Rumelhart等提出的誤差反向傳播法,即BP(error BackPropagation)法影響最為廣泛。直到今天,BP算法仍然是自動控制上最重要、應用最多的有效算法。

        1.2.1 神經網絡的學習機理和機構

        在神經網絡中,對外部環境提供的模式樣本進行學習訓練,并能存儲這種模式,則稱為感知器;對外部環境有適應能力,能自動提取外部環境變化特征,則稱為認知器。

        神經網絡在學習中,一般分為有教師和無教師學習兩種。感知器采用有教師信號進行學習,而認知器則采用無教師信號學習的。在主要神經網絡如BP網絡,Hopfield網絡,ART網絡和Kohonen網絡中;BP網絡和Hopfield網絡是需要教師信號才能進行學習的;而ART網絡和Kohonen網絡則無需教師信號就可以學習。所謂教師信號,就是在神經網絡學習中由外部提供的模式樣本信號。

        一、感知器的學習結構

        感知器的學習是神經網絡最典型的學習。

        目前,在控制上應用的是多層前饋網絡,這是一種感知器模型,學習算法是BP法,故是有教師學習算法。

        一個有教師的學習系統可以用圖1—7表示。這種學習系統分成三個部分:輸入部,訓練部和輸出部。

        脈絡清晰的BP神經網絡講解

        圖1-7 神經網絡學習系統框圖

        色偷偷亚洲偷自拍视频