浙江大学_包家立计算生物学_神经网络
作者:互联网
神经网络一般包括三层
输入层
隐匿层
输出层
每一个输入的数据,与相应的权重进行相乘,得到新的数值进入隐匿层,再隐匿层进行相应的数据变换(即经过激活函数的变换)新得到的数据是否到达激活函数的阈值,又称结果进行下一步的输出 。
a(i)是激活函数
o(i)是阈值函数
神经网络的三个要素
1.拓扑结构
分层结构
互联网结构
2.神经元的特性
即O(i)与neti之间的符合函数之间的关系
sigmoid 函数,其与k值有关,当k无穷大的时候,整个函数区域趋于宇哥连续的[0,1]函数
3.学习算法
反向传播误差算法
此处的输出层的输入的Xj是隐匿层的输出值
在最终得到的输出值与实际的输出值之间存在一定的误差
此时需要风险函数的存在,进行相应的参数值也即是隐匿层的输入和输出的权重的调整,
得到的调整后的最佳的参数,将会使得输入层得输入,预测的结果和真实的结果之间的误差最小,此时的w值是最佳的参数
对于风险函数Δw的修正,主要使用梯度下降法进行修正
在此进行修正的时候,先进行输出层的参数的调整,然后是对隐匿层的参数的调整。
用梯度下降法加增量
E是判别函数
w-kj是输出层的参数
常数η,通常情况下可以将其简化成1
隐匿层的增量
构建神经网络的流程
标签:输出,包家立,函数,隐匿,神经网络,浙江大学,参数,输入 来源: https://blog.csdn.net/leianuo123/article/details/104813116