BP神经网络原理

Question

在进行反馈调节的时候，是一行样本就调节一次，还是计算完整体样本然后求平均再调节？如果一行样本调节一次的话，那不是很容易陷入局部最优

Answer 1

BP神经网络原理：利用输出后的误差来估计输出层前一层的误差，再用这层误差来估计更前一层误差，如此获取所有各层误差估计。这里的误差估计可以理解为某种偏导数，我们就是根据这种偏导数来调整各层的连接权值，再用调整后的连接权值重新计算输出误差。直到输出的误差达到符合的要求或者迭代次数溢出设定值。

Answer 2

人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

Answer 3

这段程序的流程就是1.随机产生一些带噪声的样本；2.用这些样本对神经网络进行训练；3.训练完成。训练好的网络就具有了数字识别的功能，你用一个带噪声的样本去检验它，其输出就是识别结果。给你提供一个车牌智能识别的matlab代码，你可以参考一下。追问

谢谢你哦。不过我用的是Python自己写源代码，，，，而且这个问题不是怎么应用的问题，是原理的问题。，，，就是反馈调节的时候，样本量不是有很多么。比如训练数据有100行数据。进行反馈调节的时候，是一个样本就调节一次，还是整体样本求均值调节一次呢，我看了许多网上的代码，不过还是不清楚

本回答被提问者采纳