BP神经网络详细讲解
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
PS:这篇介绍神经网络是很详细的,有一步一步的推导公式!神经网络是DL(深度学习)的基础。
如果对神经网络已经有所了解,可以直接跳到“三、BP算法的执行步骤“ 部分,算法框架清晰明了。
另外,如果对NN 很感兴趣,也可以参阅最后两篇参考博文,也很不错!
学习是神经网络一种最重要也最令人注目的特点。在神经网络的发展进程中,学习算法的研究有着十分重要的地位。目前,人们所提出的神经网络模型都是和学习算法相应的。所以,有时人们并不去祈求对模型和算法进行严格的定义或区分。有的模型可以有多种算法.而有的算法可能可用于多种模型。不过,有时人们也称算法为模型。
自从40年代Hebb提出的学习规则以来,人们相继提出了各种各样的学习算法。其中以在1986年Rumelhart等提出的误差反向传播法,即BP(error BackPropagation)法影响最为广泛。直到今天,BP算法仍然是自动控制上最重要、应用最多的有效算法。
1.2.1 神经网络的学习机理和机构
在神经网络中,对外部环境提供的模式样本进行学习训练,并能存储这种模式,则称为感知器;对外部环境有适应能力,能自动提取外部环境变化特征,则称为认知器。
神经网络在学习中,一般分为有教师和无教师学习两种。感知器采用有教师信号进行学习,而认知器则采用无教师信号学习的。在主要神经网络如BP网络,Hopfield网络,ART网络和Kohonen 网络中;BP网络和Hopfield网络是需要教师信号才能进行学习的;而ART网络和Kohonen网络则无需教师信号就可以学习。所谓教师信号,就是在神经网络学习中由外部提供的模式样本信号。
一、感知器的学习结构
感知器的学习是神经网络最典型的学习。
目前,在控制上应用的是多层前馈网络,这是一种感知器模型,学习算法是BP法,故是有教师学习算法。
一个有教师的学习系统可以用图1—7表示。这种学习系统分成三个部分:输入部,训练部和输出部。
图1-7 神经网络学习系统框图
输入部接收外来的输入样本X ,由训练部进行网络的权系数W 调整,然后由输出部输出结果。在这个过程中,期望的输出信号可以作为教师信号输入,由该教师信号与实际输出进行比较,产生的误差去控制修改权系数W 。 学习机构可用图1—8所示的结构表示。
在图中,X l ,X 2 ,…,X n ,是输入样本信号,W 1 ,W 2 ,…,W n 是权系数。输入样本信号X i 可以取离散值“0”或“1”。输入样本信号通过权系数作用,在u 产生输出结果 ∑W i X i ,即有: u=∑W i X i =W 1 X 1 +W 2 X 2 +…+W n X n
再把期望输出信号Y(t)和u 进行比较,从而产生误差信号e 。即权值调整机构根据误差e 去对学习系统的权系数进行修改,修改方向应使误差e 变小,不断进行下去,使到误差e 为零,这时实际输出值u 和期望输出值Y(t)完全一样,则学习过程结束。
神经网络的学习一般需要多次重复训练,使误差值逐渐向零趋近,最后到达零。则这时才会使输出与期望一致。故而神经网络的学习是消耗一定时期的,有的学习过程要重复很多次,甚至达万次级。原因在于神经网络的权系数W 有很多分量W 1 ,W 2 ,----W n ;也即是一个多参数修改系统。系统的参数的调整就必定耗时耗量。目前,提高神经网络的学习速度,减少学习重复次数是十分重要的研究课题,也是实时控制中的关键问题。 二、感知器的学习算法
感知器是有单层计算单元的神经网络,由线性元件及阀值元件组成。感知器如图1-9所示。
图1-9 感知器结构
感知器的数学模型:
(1-12)
其中:f[.]是阶跃函数,并且有
(1-13)
θ是阀值。
感知器的最大作用就是可以对输入的样本分类,故它可作分类器,感知器对输入信号的分类如下:
(1-14)
即是,当感知器的输出为1时,输入样本称为A类;输出为-1时,输入样本称为B类。从上可知感知器的分类边界是:
(1-15)
在输入样本只有两个分量X1,X2时,则有分类边界条件:
(1-16)
即
W 1 X 1 +W 2 X 2 -θ=0 (1-17) 也可写成
(1-18)
这时的分类情况如固1—10所示。
感知器的学习算法目的在于找寻恰当的权系数w =(w1.w2,…,Wn),使系统对一个特 定的样本x =(xt ,x2,…,xn)熊产生期望值d 。当x 分类为A 类时,期望值d =1;X 为B 类 时,d=-1。为了方便说明感知器学习算法,把阀值θ 并人权系数w 中,同时,样本x 也相应增加一 个分量x n+1 。故令:
W n+1 =-θ,X n+1 =1 (1-19) 则感知器的输出可表示为:
(1-20)
感知器学习算法步骤如下: 1.对权系数w 置初值
对权系数w =(W 1 .W 2 ,…,W n ,W n+1 )的各个分量置一个较小的零随机值,但W n+1 =-θ 。 并记为W l (0),W 2 (0),…,W n (0),同时有Wn+1(0)=-θ 。这里W i (t)为t 时刻从第i 个 输入上的权系数,i =1,2,…,n 。W n+1 (t)为t 时刻时的阀值。
图1-10 感知器的分类例子
2.输入一样本X=(X
1
,X
2
,…,X
n+1
)以及它的期望输出d。
期望输出值d在样本的类属不同时取值不同。如果x是A类,则取d=1,如果x是B类,则取-1。
期望输出d也即是教师信号。
3.计算实际输出值Y
4.根据实际输出求误差e
e=d—Y(t) (1-21)
5.用误差e去修改权系数
i=1,2,…,n,n+1(1-22)
其中,η称为权重变化率,0<η≤1
在式(1—22)中,η的取值不能太大.如果1取值太大则会影响w
i
(t)的稳定;的取值也不能太小,
太小则会使W
i
(t)的求取过程收敛速度太慢。
当实际输出和期望值d相同时有:
W
i
(t+1)=W
i
(t)
6.转到第2点,一直执行到一切样本均稳定为止。
从上面式(1—14)可知,感知器实质是一个分类器,它的这种分类是和二值逻辑相应的。因此,感知器可以用于实现逻辑函数。下面对感知器实现逻辑函数的情况作一些介绍。
例:用感知器实现逻辑函数X
1
VX
2
的真值:
X
1
0011
X
2
0101
X
1
V X
2
0111
以X1VX2=1为A类,以X1VX2=0为B类,则有方程组
(1-23)