【BP 神经网络基本原理分析概述1400字】 .docxVIP

BP神经网络基本原理分析概述

遗传算法同时需要收集连接到多个初始有哪些信誉好的足球投注网站子节点的信息，即遗传算法从由很多的单一个体组成的一个初始集群中开始有哪些信誉好的足球投注网站最优求解的信息的过程。遗传算法直接以所有目标计算函数为计算依据进行有哪些信誉好的足球投注网站最优解；遗传算法的选取，交叉和基因变异等复杂运算都必须是以某种概率的计算形式来独立进行的；遗传算法对于所有待进行寻优的目标函数基本不存在时间限制；该算法在复杂计算中具有基于并行数据分析的基本特征，因此这种算法同样可以更好地适应各种大规模复杂问题的计算。

人工神经网络模型是一种广泛用来用于模仿研究生物的神经网络相互作用及其功能的人体经典科学模型，如图2-1。生物中各部分的神经元会受传入时的刺激，其中的响应又从各个输出终端再次传递到与其响应相关联的另外神经元，输入与各个输出部分之间的响应转移或者变换间的关系通常都具有离散性。神经网络的组成部分是很多简单(通常为自身相适应)的神经元件及其功能层级构成的组织，以各种大规模的并行数据链路及相连接的方式对其进行连接构造而形成的一种网络，按照生物神经网络类似的方法来并行处理所有输入的神经数据。基于生物神经网络而建立的人工神经网络模型，对于输入的信号处理具有功能强大的响应和处理能力。

人脑中的神经元基数是非常大的，其大约由10的12次方个神经元组成，神经元互相连接成神经网络。神经元是大脑处理信息的基本单元，是以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干。它主要由细胞体、树突、轴突和突触组成。如图2-2所示。

从大脑神经元的各个组成部件以及信息功能处理情况分析来看，信息的处理和传递主要发生在突触附近。例如，当神经元的一个细胞体通过轴突传递至突触前膜时的这个脉冲电位频率已经达到了一定的脉冲强度，即超出了其阈值的脉冲电位后，突触前膜就自然会向突触间隙中不断释放出神经元细胞传递的某种活性化学物质。

输入节点隐含节点输出节点

图2-1人工神经网络

反向传播(BP)神经网络是一种神经网络学习算法，是由输入层、中间层和输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各个层的神经元之间进行全面连接，而每层各个神经元之间并不互相连接，网络主要按照教师教学的方式进行综合学习，当一对学习模式提供给网络后，各个层的神经元通过获得该模型网络的输入响应信号从而产生完全连接的学习权值。然后按减小希望输出与实际输出误差的方向，从输出层开始经过各个中间层，然后逐层修检改正各连接权，再回到输入层。此过程反复进行，交替演化，直到网络的全局误差趋向给定的极小值后，就可以完成学习的过程。

来自其他神经元轴突神经末梢突触

突触

细胞体轴突

神经末梢细胞核

神经末梢

/树突

图2-2生物神经元

反向传播神经网络是从输入信号逐层向前传递，而输出误差逐层反向的算法中训练出来的。作为前馈神经网络的核心网络，神经网络是应用最广泛的神经网络模型之一。另外，目前大多数神经网络模型延续了神经网络的结构和变异。

BP神经网络的学习过程可以表示为：第一个过程是将训练样本输入神经网络模型。然后，根据神经网络模型的预设结构，我们得出最终输出。在这个过程中，模型将训练向量输入到输入层。然后训练向量经过隐藏层处理后传递到输出层。这样，它一层一层地转移。此时，每一层神经元的状态只影响与之紧密相连的下一层神经元的状态。而且不会受到其他层神经元的影响。第二个过程是输出值和期望输出值之间的误差反向。如果前一过程得到的结果与预期存在差距，可以通过实际产出与预期产出的差距(即预测误差)的反向来调整网络结构的权重系数矩阵。最终，网络模型的预测输出将越来越接近期望输出。不断学习和调整网络结构的算法被称为“误差反向传播算法”。