网络训练一反向传播算法 1966 多层感知器结构(n维到m维的一个非线性映射) =0 1=1 l=2 l=3 X1 w y1 Xn 1个 n2个 m个 输入层 中间层 中间层 输出层
网络训练—反向传播算法 多层感知器结构(n维到m维的一个非线性映射) … … … … … … … 个 个 个 个 输入层 中间层 中间层 输出层
前向多层神经网络 1966 前向多层神经网络也即多层感知器(LP)， 也叫BP网。BP(Back-Propagation)算法，是用于 前向多层神经网络的反传学习算法，是目前应用 最广泛且重要的训练前向神经网络的学习算法
前向多层神经网络也即多层感知器(MLP)， 也叫BP网。BP(Back-Propagation)算法，是用于 前向多层神经网络的反传学习算法，是目前应用 最广泛且重要的训练前向神经网络的学习算法。 前向多层神经网络
前向多层神经网络 1966 OBP网 口除输入，输出层外，还有一个或多个隐层。各层 之间的神经元全互连，各层内的神经元无连接， 网络无反馈。 X X X
前向多层神经网络 BP网 除输入，输出层外，还有一个或多个隐层。各层 之间的神经元全互连，各层内的神经元无连接， 网络无反馈。 X1 X2 Xn Y1 Y2 Yn
1956 口节点的特性要求是可微的，通常选$型函数。 1 f(x)= 1+e-x Sigmoid函数的特点： >连续可微 >单调 >取值在[0,1]
节点的特性要求是可微的，通常选S型函数。 Sigmoid函数的特点： 连续可微 单调 取值在[0,1] x e f x 1 1 ( )
1956 B-P算法 学习的目的：对网络的连接权值进行 调整，使得对任一输入都能得到所期 望的输出。 学习的方法：用一组训练样本对网络 进行训练，其中每一个样例都包括输 入及期望的输出两部分。 口应用：对待识别的样本进行模式识别
B-P算法 学习的目的：对网络的连接权值进行 调整，使得对任一输入都能得到所期 望的输出。 学习的方法：用一组训练样本对网络 进行训练，其中每一个样例都包括输 入及期望的输出两部分。 应用：对待识别的样本进行模式识别