数据挖掘 向后传播算法_第1页
数据挖掘 向后传播算法_第2页
数据挖掘 向后传播算法_第3页
数据挖掘 向后传播算法_第4页
数据挖掘 向后传播算法_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、后向传播分类l什么是后向传播？ 后向传播是一种神经网络学习算法l神经网络的定义 神经网络是一组连接的输入/输出单元，其中每个连接都与一个权相相联。在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习，由于单元间的连接，神经网络学习又称为连接者学习多向前馈神经网络定义网络拓扑对输入值规格化，使他们落入0.0到1.0之间离散值属性可重新编码，是的每个阈值一个输入单元一个输出单元可以用来表示两个类，如果多于两个类，每个类使用一个输出单元初始化权 网络的权初始化为很小的随机数，每个单元有个偏置，偏 置也类似地初始化为小随机数向前传播输入 计算隐藏层和输出层每个单元的净输入和输出：

2、训练样本提供给网络的输入层； 隐藏层和输出层的每个单元的净输入用其输入的线性组合计算 给出隐藏层和输出层的单元j，到单元j的净输入Ij为 隐藏层和输出层的每个单元取其净输入，然后将赋活函数作用于它，该函数用符号表现单元代表的神经元活性，使用logistic或simoid函数。给定单元J的净输入Ij，则单元j的输出Oj用下式计算： 该函数又称挤压函数，即将一个较大的输入值域映射到较小的区间0到1 通过更新权和反映网络预测误差的偏置，向后传播误差。对于输出层单元j，误差Errj用下式计算： 隐藏层单元j的误差是： 更新权和偏差，以反映传播的误差，权由下式更新：2022-1-1272022-1-128 神经网络的主要缺点是其知识的表示，解决方法包括由网络提取规则和灵敏度分析神经网络提取规则第一步通常是网络剪枝，该步通过剪去对训练网络影响最小的加权链简化网络结构一旦训练网络已被剪枝，一些方法将进行链、单元或活跃值的聚类分析每个隐藏单元的这些活跃值，导出涉及这些活跃值与对应输出单元值组合的规则，类似的，研究输入值和活跃值的集合，导出描述输入和隐藏单元层联系的规则两个规则结合形成IF-THEN规则或导出其他形式的规则，包括M-OF-N规则，具有M-OF-N测试的判定树、模糊规则和有穷自动机灵敏度分析用于评估一个给定的输入变量对网络输

人人文库> 全部分类> 教育资料 > 课设设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论