学习算法描述 bp网络中每个节点都有一个状态变量xi,节点i到节点j有一个连接权系数wji,每个节点都有一个阈值θj,每一个节点定义一个变换函数fj[xi,wji,θj(i≠j)],最常见的形式为 为了方便起见,将阈值θ作为神经元权值的第一个分量加到权值中去,那么输入向量就应增加一项,可设输入向量的第1个分量固定为l,这样的形式就可变为。 一个3层单输入、单输出、n个隐节点的bp网络结构如图l所示。 图1中,黑圆表示输入为固定值1的神经元,用它与隐层神经元的连接权w011~w01n来表示隐层神经元的阈值,它与输出层神经元的连接权w02来表示输 出层神经元的阈值,w1i~w1n为输入层到隐层之间的连接权值,w21~w2n为隐层到输出层之间的连接权值。描述一个如图1所示网络的bp算法,它主 要包括2个阶段: 1)正向传播阶段 从样本集中取出一个样本(x,d),计算隐层各个节点(神经元)输出yi(i)=f(wl(i)x-w01(i))和输出层节点输出。 2)反向传播阶段 按下式反向计算各层节点的局部梯度δ和权值修正量。 若激励函数f选用单极性si