72.2BP网络特点 (1)是一种多层网络，包括输入层、隐含层和输 出层； (2)层与层之间采用全互连方式，同一层神经元 之间不连接； (3)权值通过δ学习算法进行调节； (4)神经元激发函数为S函数； (5)学习算法由正向传播和反向传播组成； (6)层与层的连接是单向的，信息的传播是双向 的
7.2.3BP网络的逼近 BP网络逼近的结构如图7-6所示，图中k为网络 的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网 络逼近器，y(k)为被控对象实际输出，yn(k)为BP 的输出。将系统输出y(k)及输入u(k)的值作为逼近 器BP的输入，将系统输出与网络输出的误差作为逼 近器的调整信号
7.2.3 BP网络的逼近 BP网络逼近的结构如图7-6所示，图中k为网络 的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网 络逼近器，y(k)为被控对象实际输出，yn(k)为BP 的输出。将系统输出y(k)及输入u(k)的值作为逼近 器BP的输入，将系统输出与网络输出的误差作为逼 近器的调整信号
u(k) 对象 ) y (k) BP 图7-6BP神经网络逼近
图7-6 BP神经网络逼近
u(k) (k) W订 wj2 y(k) 1 图7-7用于逼近的BP网络
y (k ) n u (k ) y (k ) wij w j 2 ' j x j x i x 图7-7 用于逼近的BP网络
BP算法的学习过程由正向传播和反向传播组 成。在正向传播过程中，输入信息从输入层经隐 层逐层处理，并传向输出层，每层神经元（节点） 的状态只影响下一层神经元的状态。如果在输出 层不能得到期望的输出，则转至反向传播，将误 差信号（理想输出与实际输出之差）按联接通路 反向计算，由梯度下降法调整各层神经元的权值， 使误差信号减小
BP算法的学习过程由正向传播和反向传播组 成。在正向传播过程中，输入信息从输入层经隐 层逐层处理，并传向输出层，每层神经元（节点） 的状态只影响下一层神经元的状态。如果在输出 层不能得到期望的输出，则转至反向传播，将误 差信号（理想输出与实际输出之差）按联接通路 反向计算，由梯度下降法调整各层神经元的权值， 使误差信号减小