浙江大学_包家立计算生物学_神经网络

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