BP神经网络模型分析.doc

BP神经网络模型分析
自动化100131002369潘飞
摘要：本文介绍了BP网络模型、基本原理、算法以及研究现状。
关键词：BP网络基本原理结构模型

引言
BP（BackPropagation）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神经网络的基本原理
BP(BackPropagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。
（1）节点输出模型
隐节点输出模型：Oj=f(∑Wij×Xi-qj)(1)
输出节点输出模型：Yk=f(∑Tjk×Oj-qk)(2)
f-非线形作用函数；q-神经单元阈值。
图1典型BP网络结构模型

图表SEQ图表\*ARABIC1BP网络结构

（2）作用函数模型
作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数：f(x)=1/(1+e)（3）
（3）误差计算模型
误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：
Ep=1/2×∑(tpi-Opi)(4)
tpi-i节点的期望输出值；Opi-i节点计算输出值。
（4）自学习模型
神经网络的学习过程，即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为
△Wij(n+1)=h×Фi×Oj+a×△Wij(n)
（5）h-学习因子；Фi-输出节点i的计算误差；Oj-输出节点j的计算输出；a-动量因子。

BP神经网络的计算过程[1]
由正向计算和反向计算过程组成。在正向计算过程中，输入信号要先向前传播到隐层节点，经过传递函数后，再把隐层节点的输出信息传播到输出层节点，最后给出输出结果。若网络的输出值与期望值存在误差，则要进行误差反向计算，将误差信号沿原来的连接通路返回，通过修改连接各节点的权值使误差减小。图2是BP神经网络的计算过程的流程图。

图表SEQ图表\*ARABIC2BP神经网络的计算过程的流程图
BP网络的研究现状
目前的神经网络的研究中主要有以下几种类型：松耦合模型，紧耦合模型，转换模型，综合模型，混沌理论⑥模糊集理论，遗传算法以及混合神经网络。
结论
虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，我想在未来的发展中，BP网络会更加完善的。

参考文献：
[1]佟春生等.系统工程的理论与方法概论[M].北京：国防工业出版社，2005.