bp网络，解释下多层单向BP神经网络算法

本文目录一览

1，解释下多层单向BP神经网络算法
2，BP网络多层感知器区别
3，bpit网络环境是什么
4，BP网络就是BP神经网络吗
5，什么是BP神经网络
6，什么是神经网络的BP算法

1，解释下多层单向BP神经网络算法

这边有具体说明: 如果不是你所需要的,抱歉 http://hk.56.com/gate/big5/www.guaguab.com/?32473-1.html

解释下多层单向BP神经网络算法

2，BP网络多层感知器区别

多层感知器是指得结构，BP是指得学习算法。感知器模型挺简单的，就是神经元上多个输入的求和带入输出函数减去阈值。多层感知器就是指得结构上多层的感知器模型递接连成的前向型网络。BP就是指得反向传播算法，BP网络指得就是具有多层感知器结构采取反向传播算法的网络。 BP网络就是多层感知器网络的一种，但是BP网络突出的是算法，多层感知器突出的是结构。

BP网络多层感知器区别

3，bpit网络环境是什么

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。

搜一下：bpit网络环境是什么再看看别人怎么说的。

bpit网络环境是什么

4，BP网络就是BP神经网络吗

我研究生三年研究的都是这玩意，很负责任地告诉你，BP网络就是BP神经网络，看你这个题目，你是本科生吧！你这个很简单啊，很多参考书上都有类似的程序，借鉴一下就可以了！基于BP网络的PID控制器，这怎么解答，呵呵！你去参考一些书就是了，有一本西安电子科技大学出版的关于神经网路的书，很好，里面的程序很多可以拿来用！记住买书的时候不一定非要买BP神经网络方面的书，因为BP神经网络只是N多种神经网络中最常用的一种，所以很少有单讲BP网路的，都是讲神经网络，其中有一章是BP。

5，什么是BP神经网络

BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下： 1、从训练集中取出某一样本，把信息输入网络中。 2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。 3、计算网络实际输出与期望输出的误差。 4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。 5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。

6，什么是神经网络的BP算法

简介：BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer) 　　摘要：ＢＰ神经网络算法是在ＢＰ神经网络现有算法的基础上提出的，是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组，解得待求权，不存在传统方法的局部极小及收敛速度慢的问题，且更易理解。　　关键词：固定权值；ｇａｕｓｓ消元法；ＢＰ算法　　人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＡＮＮ）系统是２０世纪４０年代后出现的，它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其误差反向传播算法（ＥｒｒｏｒＢａｃｋ－ｐｒｏｐａｇａｔｉｏｎＴｒａｉｎｉｎｇ，简称ＢＰ网络）可以逼近任意连续函数，具有很强的非线性映射能力，而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，所以它在许多应用领域中起到重要作用。近年来，为了解决ＢＰ神经网络收敛速度慢、不能保证收敛到全局最小点，网络的中间层及它的单元数选取无理论指导及网络学习和记忆的不稳定性等缺陷，提出了许多改进算法。　　１传统的ＢＰ算法简述　　ＢＰ算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下：　　（１）初始化，随机给定各连接权［ｗ］,［ｖ］及阀值θi，ｒt。　　（２）由给定的输入输出模式对计算隐层、输出层各单元输出　　ｂj＝ｆ（■wijai-θj）ｃt＝ｆ（■vjtbj－ｒt）　　式中：ｂj为隐层第ｊ个神经元实际输出；ｃt为输出层第ｔ个神经元的实际输出；wij为输入层至隐层的连接权；vjt为隐层至输出层的连接权。　　ｄtk＝（ｙtk－ｃt）ｃt（１－ｃt）ｅjk＝［■dtvjt］ｂj（１－ｂj）　　式中：ｄtk为输出层的校正误差；ｅjk为隐层的校正误差。　　（３）计算新的连接权及阀值，计算公式如下：　　ｖjt（ｎ＋１）＝ｖjt（ｎ）＋?琢ｄtkｂj ｗij（ｎ＋１）＝ｗij（ｎ）＋?茁ｅjkａik 　　ｒt（ｎ＋１）＝ｒt（ｎ）＋?琢ｄtk θj（ｎ＋１）=θj（ｎ）＋?茁ｅjk 　　式中：?琢，?茁为学习系数（０＜?琢＜１，０＜?茁＜１）。　　（４）选取下一个输入模式对返回第２步反复训练直到网络设输出误差达到要求结束训练。　　传统的ＢＰ算法，实质上是把一组样本输入/输出问题转化为一个非线性优化问题，并通过负梯度下降算法，利用迭代运算求解权值问题的一种学习方法，但其收敛速度慢且容易陷入局部极小，为此提出了一种新的算法，即高斯消元法。