BP神經(jīng)網(wǎng)絡(luò)的基本原理+很清楚

1、5。4BP神經(jīng)網(wǎng)絡(luò)的基本原理輸入層隱層輸出層圖5.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖BP(BackPropagation)網(wǎng)絡(luò)是1986年由Rinehart和McClelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一.BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入一輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小.BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱層(hidelayer)和輸出層(outputlayer)(如圖5.2所示).5。4.1BP神

2、經(jīng)元圖5.3給出了第j個(gè)基本BP神經(jīng)元(節(jié)點(diǎn))，它只模仿了生物神經(jīng)元所具有的三個(gè)最基本也是最重要的功能：加權(quán)、求和與轉(zhuǎn)移。其中Xi、X2XiXn分別代表來(lái)自神經(jīng)元1、2i-n的輸入;Wj1、W2Wi叫口則分別表示神經(jīng)元1、27-n與第j個(gè)神經(jīng)元的連接強(qiáng)度，即權(quán)值；bj為閾值；f()為傳遞函數(shù)；yj為第j個(gè)神經(jīng)元的輸出.第j個(gè)神經(jīng)元的凈輸入值與為:（5。12）其中:圖5.3BF神經(jīng)元叫=”立巧之巧力,嗎。=3,即令£及叫包括q及嗎口，則丫二卜口占門不丐"M川嗎1孫箝啊啊于是節(jié)點(diǎn)j的凈輸入與可表示為：3(5.13)凈輸入與,通過(guò)傳遞函數(shù)(TransferFunction)f()

3、后，便得到第j個(gè)神經(jīng)元的輸出尸J：打=/6)=/£的)=咻,一j-0(5.14)式中f()是單調(diào)上升函數(shù)，而且必須是有界函數(shù)，因?yàn)榧?xì)胞傳遞的信號(hào)不可能無(wú)限增加，必有一最大值。5。4.2BP網(wǎng)絡(luò)BP算法由數(shù)據(jù)流的前向計(jì)算(正向傳播)和誤差信號(hào)的反向傳播兩個(gè)過(guò)程構(gòu)成。正向傳播時(shí)，傳播方向?yàn)檩斎雽右浑[層一輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號(hào)的反向傳播流程。通過(guò)這兩個(gè)過(guò)程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值,從而完成信息提取和記憶過(guò)程。5。4。2。1正向傳播口qm圖5.4三層神經(jīng)網(wǎng)

4、絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)BP網(wǎng)絡(luò)的輸入層有n個(gè)節(jié)點(diǎn)，隱層有q個(gè)節(jié)點(diǎn)，輸出層有m個(gè)節(jié)點(diǎn)，輸入層與隱層之間的權(quán)值為%,隱層與輸出層之間的權(quán)值為%,如圖5.4所示。隱層的傳遞函數(shù)為3(),輸出層的傳遞函數(shù)為f2()，則隱層節(jié)點(diǎn)的輸出為(將閾值寫入求和項(xiàng)中)：取二工（二川七）i-0k=1,2,(5.15)輸出層節(jié)點(diǎn)的輸出為j=1，2,(5.16)至此B-P網(wǎng)絡(luò)就完成了n維空間向量對(duì)m維空間的近似映射.5.4。2.2反向傳播1）定義誤差函數(shù)_12>/v輸入F個(gè)學(xué)習(xí)樣本，用匯4，二，來(lái)表示。第尹個(gè)樣本輸入到網(wǎng)絡(luò)后得到輸出打（j=1,2，m。采用平方型誤差函數(shù)，于是得到第p個(gè)樣本的誤差日：瑪=5匯蜉741J-1

5、式中：雄為期望輸出.對(duì)于F個(gè)樣本，全局誤差為：1PVIPE二立乙步扣1-!2）輸出層權(quán)值的變化(5。17)(5.18)采用累計(jì)誤差BP算法調(diào)整嗎，使全局誤差£變小，即Av或_(5。19)式中："一學(xué)習(xí)率定義誤差信號(hào)為:內(nèi)二翼生不風(fēng)與網(wǎng)其中第一項(xiàng)：理a1棺1曜見L2M那第二項(xiàng)：*£，（燈）是輸出層傳遞函數(shù)的偏微分。于是：/旺6一%）4）J-1（5.21）（5。22）（5.23）由鏈定理得:嗎町.疆=一%爽=一£（弓遙（皆）-不J-（5。24）于是輸出層各神經(jīng)元的權(quán)值調(diào)整公式為:?藍(lán)i（hje=工工天堡-W）力區(qū)）分即1/4（5。25）3）隱層權(quán)值的變化%=

6、謔0之二3E*-菽f嬴*產(chǎn)）？E屈）（5.26）定義誤差信號(hào)為:3E融全/_Jrtv其中第一項(xiàng):莖二a為距2(5。28)依鏈定理有:%_方1總一菽碼也=力（四）叫工(5。29)第二項(xiàng):詼工1(5。30)啜=£區(qū)）是隱層傳遞函數(shù)的偏微分。于是:%=二6-村）力現(xiàn)嗎/（曷）由鏈定理得:與挑r=一%/=£W也&)/(5。31)(5。32)從而得到隱層各神經(jīng)元的權(quán)值調(diào)整公式為翻_M/!(5。33)5。4.3BP算法的改進(jìn)維持BP算法理論具有依據(jù)可靠、推導(dǎo)過(guò)程嚴(yán)謹(jǐn)、精度較高、通用性較好等優(yōu)點(diǎn)，但標(biāo)準(zhǔn)BP算法存在以下缺點(diǎn)：收斂速度緩慢；容易陷入局部極小值；難以確定隱層數(shù)和隱層節(jié)

7、點(diǎn)個(gè)數(shù).在實(shí)際應(yīng)用中，BP算法很難勝任，因此出現(xiàn)了很多改進(jìn)算法。1)利用動(dòng)量法改進(jìn)BP算法圖53自適足學(xué)習(xí)標(biāo)，gBP算法實(shí)質(zhì)上是一種簡(jiǎn)單的最速下降靜態(tài)尋優(yōu)方法，在修正W(K時(shí)，只按照第K步的負(fù)梯度方向進(jìn)行修正，而沒有考慮到以前積累的經(jīng)驗(yàn)，即以前時(shí)刻的梯度方向，從而常常使學(xué)習(xí)過(guò)程發(fā)生振蕩，收斂緩慢。動(dòng)量法權(quán)值調(diào)整算法的具體做法是：將上一次權(quán)值調(diào)整量的一部分迭加到按本次誤差計(jì)算所得的權(quán)值調(diào)整量上，作為本次的實(shí)際權(quán)值調(diào)整量，即：（5。34）A物二一斤V磯回十必用5-1)其中：a為動(dòng)量系數(shù)，通常0<a<0。9；學(xué)習(xí)率，范圍在0.00110之間。這種方法所加的動(dòng)量因子實(shí)際上相當(dāng)于阻尼項(xiàng)，它減

8、小了學(xué)習(xí)過(guò)程中的振蕩趨勢(shì)，從而改善了收斂性。動(dòng)量法降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部細(xì)節(jié)的敏感性，有效的抑制了網(wǎng)絡(luò)陷入局部極小。2)自適應(yīng)調(diào)整學(xué)習(xí)速率標(biāo)準(zhǔn)BP算法收斂速度緩慢的一個(gè)重要原因是學(xué)習(xí)率選擇不當(dāng)，學(xué)習(xí)率選得太小，收斂太慢;學(xué)習(xí)率選得太大，則有可能修正過(guò)頭，導(dǎo)致振蕩甚至發(fā)散。可采用圖5。5所示的自適應(yīng)方法調(diào)整學(xué)習(xí)率。調(diào)整的基本指導(dǎo)思想是：在學(xué)習(xí)收斂的情況下，增大T，以縮短學(xué)習(xí)時(shí)間；當(dāng)7偏大致使不能收斂時(shí)，要及時(shí)減小7),直到收斂為止.3)動(dòng)量-自適應(yīng)學(xué)習(xí)速率調(diào)整算法采用動(dòng)量法時(shí)，BP算法可以找到更優(yōu)的解；采用自適應(yīng)學(xué)習(xí)速率法時(shí)，BP算法可以縮短訓(xùn)練時(shí)間.將以上兩種方法結(jié)合起來(lái)，就得到動(dòng)量一自適

9、應(yīng)學(xué)習(xí)速率調(diào)整算法。4)L-M學(xué)習(xí)規(guī)則L-M(LevenbergMarquardt)算法比前述幾種使用梯度下降法的BP算法要快得多，但對(duì)于復(fù)雜問題，這種方法需要相當(dāng)大的存儲(chǔ)空間。L-M(LevenbergMarquardt)優(yōu)化方法的權(quán)值調(diào)整率選為：rt-it=y+J5(5.35)其中:e一誤差向量；J網(wǎng)絡(luò)誤差對(duì)權(quán)值導(dǎo)數(shù)的雅可比(Jacobian)矩陣；以一標(biāo)量，當(dāng)以很大時(shí)上式接近于梯度法，當(dāng)n很小時(shí)上式變成了Gauss-Newton法，在這種方法中，仙也是自適應(yīng)調(diào)整的.綜合考慮，擬采用L-M學(xué)習(xí)規(guī)則和動(dòng)量法分別作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)和學(xué)習(xí)函數(shù).5。5BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練策略及結(jié)果本文借助于MA

10、TLAB申經(jīng)網(wǎng)絡(luò)工具箱來(lái)實(shí)現(xiàn)多層前饋BP網(wǎng)絡(luò)(Multilayerfeedforwardbackpropagationnetwork)的顏色空間轉(zhuǎn)換，免去了許多編寫計(jì)算機(jī)程序的煩惱。神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值與輸入值以及各權(quán)值和閾值有關(guān)，為了使實(shí)際輸出值與網(wǎng)絡(luò)期望輸出值相吻合，可用含有一定數(shù)量學(xué)習(xí)樣本的樣本集和相應(yīng)期望輸出值的集合來(lái)訓(xùn)練網(wǎng)絡(luò).訓(xùn)練時(shí)仍然使用本章5。2節(jié)中所述的實(shí)測(cè)樣本數(shù)據(jù)。另外，目前尚未找到較好的網(wǎng)絡(luò)構(gòu)造方法。確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)系數(shù)來(lái)描述給定的映射或逼近一個(gè)未知的映射，只能通過(guò)學(xué)習(xí)方式得到滿足要求的網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)可以理解為：對(duì)確定的網(wǎng)絡(luò)結(jié)構(gòu)，尋找一組滿足要求的權(quán)系數(shù)，使

11、給定的誤差函數(shù)最小。設(shè)計(jì)多層前饋網(wǎng)絡(luò)時(shí)，主要側(cè)重試驗(yàn)、探討多種模型方案，在實(shí)驗(yàn)中改進(jìn)，直到選取一個(gè)滿意方案為止，可按下列步驟進(jìn)行：對(duì)任何實(shí)際問題先都只選用一個(gè)隱層；使用很少的隱層節(jié)點(diǎn)數(shù)；不斷增加隱層節(jié)點(diǎn)數(shù)，直到獲得滿意性能為止；否則再采用兩個(gè)隱層重復(fù)上述過(guò)程.訓(xùn)練過(guò)程實(shí)際上是根據(jù)目標(biāo)值與網(wǎng)絡(luò)輸出值之間誤差的大小反復(fù)調(diào)整權(quán)值和閾值，直到此誤差達(dá)到預(yù)定值為止。5.5.1確定BP網(wǎng)絡(luò)的結(jié)構(gòu)確定了網(wǎng)絡(luò)層數(shù)、每層節(jié)點(diǎn)數(shù)、傳遞函數(shù)、初始權(quán)系數(shù)、學(xué)習(xí)算法等也就確定了BP網(wǎng)絡(luò).確定這些選項(xiàng)時(shí)有一定的指導(dǎo)原則，但更多的是靠經(jīng)驗(yàn)和試湊。1)隱層數(shù)的確定：1998年RobertHechtNielson證明了對(duì)任何在

12、閉區(qū)間內(nèi)的連續(xù)函數(shù)，都可以用一個(gè)隱層的BP網(wǎng)絡(luò)來(lái)逼近，因而一個(gè)三層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的映照。因此我們從含有一個(gè)隱層的網(wǎng)絡(luò)開始進(jìn)行訓(xùn)練。2) BP網(wǎng)絡(luò)常用傳遞函數(shù)圖5.0EF網(wǎng)絡(luò)常用的傳遍函數(shù)BP網(wǎng)絡(luò)的傳遞函數(shù)有多種.Log-sigmoid型函數(shù)的輸入值可取任意值，輸出值在0和1之間;tan-sigmod型傳遞函數(shù)tansig的輸入值可取任意值，輸出值在-1到+1之間；線性傳遞函數(shù)purelin的輸入與輸出值可取任意值。BP網(wǎng)絡(luò)通常有一個(gè)或多個(gè)隱層，該層中的神經(jīng)元均采用sigmoid型傳遞函數(shù)，輸出層的神經(jīng)元?jiǎng)t采用線性傳遞函數(shù)，整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。各種傳遞函數(shù)如圖5.6所

13、示。只改變傳遞函數(shù)而其余參數(shù)均固定，用本章5.2節(jié)所述的樣本集訓(xùn)練BP網(wǎng)絡(luò)時(shí)發(fā)現(xiàn)，傳遞函數(shù)使用tansig函數(shù)時(shí)要比logsig函數(shù)的誤差小。于是在以后的訓(xùn)練中隱層傳遞函數(shù)改用tansig函數(shù)，輸出層傳遞函數(shù)仍選用purelin函數(shù)。3)每層節(jié)點(diǎn)數(shù)的確定：使用神經(jīng)網(wǎng)絡(luò)的目的是實(shí)現(xiàn)攝像機(jī)輸出RGBS色空間與CIEXYZ色空間轉(zhuǎn)換，因此BP網(wǎng)絡(luò)的輸入層和輸出層的節(jié)點(diǎn)個(gè)數(shù)分別為3。下面主要介紹隱層節(jié)點(diǎn)數(shù)量的確定。對(duì)于多層前饋網(wǎng)絡(luò)來(lái)說(shuō)，隱層節(jié)點(diǎn)數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時(shí)間，更重要的是隱層節(jié)點(diǎn)過(guò)多還可能出現(xiàn)所謂“過(guò)渡吻合”(Ove

14、rfitting)問題，即測(cè)試誤差增大導(dǎo)致泛化能力下降，因此合理選擇隱層節(jié)點(diǎn)數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，一般原則是:在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡(jiǎn)單.本論文中采用網(wǎng)絡(luò)結(jié)構(gòu)增長(zhǎng)型方法，即先設(shè)置較少的節(jié)點(diǎn)數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并測(cè)試學(xué)習(xí)誤差，然后逐漸增加節(jié)點(diǎn)數(shù)，直到學(xué)習(xí)誤差不再有明顯減少為止。5。5。2誤差的選取在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中選擇均方誤差MS或?yàn)楹侠恚蛉缦? 標(biāo)準(zhǔn)BP算法中，誤差定義為：1股應(yīng)=江”-行尸£j-i每個(gè)樣本作用時(shí)，都對(duì)權(quán)矩陣進(jìn)彳T了一次修改.由于每次權(quán)矩陣的修改都沒有考慮權(quán)值修改后其它樣本作用的輸出誤

15、差是否也減小，因此將導(dǎo)致迭代次數(shù)增加. 累計(jì)誤差BP算法的全局誤差定義為1FMP£工£W-居:匯斗“小蜀丁(5(5037)這種算法是為了減小整個(gè)訓(xùn)練集的全局誤差，而不針對(duì)某一特定樣本，因此如果作某種修改能使全局誤差減小，并不等于說(shuō)每一個(gè)特定樣本的誤差也都能同時(shí)減小.它不能用來(lái)比較P和m不同的網(wǎng)絡(luò)性能。因?yàn)閷?duì)于同一網(wǎng)絡(luò)來(lái)說(shuō),P越大,E也越大；P值相同,m越大E也越大。均方誤差MSE:(5。38)3=2之尸用平-I>1其中：陽(yáng)一輸出節(jié)點(diǎn)的個(gè)數(shù)，聲一訓(xùn)練樣本數(shù)目，魅'一網(wǎng)絡(luò)期望輸出值，)爐一網(wǎng)絡(luò)實(shí)際輸出值。均方誤差克服了上述兩種算法的缺點(diǎn)，所以選用均方誤差算法較合理

16、。5。5。3訓(xùn)練結(jié)果訓(xùn)練一個(gè)單隱層的三層BP網(wǎng)絡(luò)，根據(jù)如下經(jīng)驗(yàn)公式選擇隱層節(jié)點(diǎn)數(shù)125(5.39)式中:n為輸入節(jié)點(diǎn)個(gè)數(shù)，m為輸出節(jié)點(diǎn)個(gè)數(shù)，a為1到10之間的常數(shù)。針對(duì)本論文ni取值范圍為313。訓(xùn)練結(jié)果如表5.1所示。表5。1隱層節(jié)點(diǎn)數(shù)與誤差的關(guān)系隱層神經(jīng)元個(gè)數(shù)訓(xùn)練誤差測(cè)試誤差31。256611.127540.7977460。823250.6318490。727860。5702140.670770.5528730.689580。4451180.657590。3855780.6497100.2596240.4555110.1857490.6644120。1838780。48130。168587

17、0.6671由上表可以看出： 增加隱層節(jié)點(diǎn)數(shù)可以減少訓(xùn)練誤差，但超過(guò)10以后測(cè)試誤差產(chǎn)生波動(dòng)，即泛化能力發(fā)生變化.綜合比較隱層節(jié)點(diǎn)數(shù)為10與12的訓(xùn)練誤差和測(cè)試誤差，決定隱層節(jié)點(diǎn)數(shù)選用12c 訓(xùn)練誤差和測(cè)試誤差都很大，而且收斂速度極慢（訓(xùn)練過(guò)程如圖5。7所示），這個(gè)問題可以通過(guò)對(duì)輸出量進(jìn)行歸一化來(lái)解決。根據(jù)Sigmoid型傳遞函數(shù)輸入和輸出的范圍，對(duì)輸入變量不進(jìn)行歸一化處理，只對(duì)輸出變量進(jìn)行歸一化，這是因?yàn)樵谳敵鰯?shù)據(jù)要求歸一化的同時(shí)，對(duì)輸入數(shù)據(jù)也進(jìn)行歸一化的話，權(quán)值的可解釋性就更差了.目標(biāo)值按下式進(jìn)行變化：#=*乂09+0.05(5.40)aa.ntE!QlI!I使目標(biāo)值落在00050095之

18、間，這樣靠近數(shù)據(jù)變化區(qū)間端點(diǎn)的網(wǎng)絡(luò)輸出值就有一波動(dòng)范圍，網(wǎng)絡(luò)的性能較好。用新生成的訓(xùn)練樣本與測(cè)試樣本對(duì)隱層節(jié)點(diǎn)數(shù)為12的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到的訓(xùn)練誤差為9。89028X105,測(cè)試誤差為1。9899X10-4,達(dá)到了預(yù)定的目標(biāo)（訓(xùn)練過(guò)程如圖5。8所示）.1010(10PertarmaMicejs0,1B3azaiGoatisQ.0001-T/-d.上4一.U士，a1MlTH10h*«k,wra力1a91tJI>！金liaKli-IfiiiiiHifitlidHmikiOiiinii>millillillHfiiiifivinikfHmlFirnin;二二二二1二二二二二二事

19、：;二;：M二二二三二二E：二二二二二5二二二二二二3二1二二二二二；二二；;占;二二二二二二二二二二二二inMHjK，+'!M:，1一，$M，,IIB.>5J00，.一/,一.L1'|i'*1f1faa|"Jr',*"IkillHiniuiIillIIMlIIIukIIHtliliHlltlitUjlllHI114LtillHUInJXIT-fid，T事.nrh*Thh./！F91+TH1"T/<一:F-FT'T'ThBBP*F丁yr<wB，一s.-a.1r+=*vIT-F-FF-!11£

20、;3EiTa?E3=ito*th.+I上+a<»th#-a+i-»«+*ba»a«s»*a*a«s-st*»s«*+»*s-fe»«J+bTFhF-W-3rHTFFXpTrLP：=3ZE=E；Ezl-tJt11tlILHI4IIr=3三三三.王五工工工_IIfeltill«tIEli?II»1t1*工國(guó)士MKM,aTTTTIITT-TUT!T11002003004130900600TOO800900KXKlODOEpOChS7隱層節(jié)點(diǎn)數(shù)為12的神經(jīng)網(wǎng)

21、絡(luò)訓(xùn)練過(guò)程Perior/iTance這/BGeQOS,Goal崢0,0001-I:1TF:?。粓Dxcc竄百q胃中?1三位la一IFLM4一Tai包7不£京匚丁t2-b:;*£r二.：；T一Jkfar*Ih:wrJ*！*tfaa-isj*£:-二M-i:TixaVs-:4>fr-E=l-二:HF=二二31.二：二WOIE壯二二:-,加*kA;L5W15202s30耨須組46Epoohs歸一化訓(xùn)煉樣本后隱層節(jié)點(diǎn)澳為12的神經(jīng)闞絡(luò)訓(xùn)竦過(guò)程5。6最終訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用三層BP網(wǎng)絡(luò)實(shí)現(xiàn)攝像機(jī)輸出RG捌色空間與CIEXYZ色空間轉(zhuǎn)換，其中隱層含有12個(gè)節(jié)點(diǎn)，傳遞函

22、數(shù)采用tansig函數(shù)；輸出層傳遞函數(shù)選用purelin函數(shù)。經(jīng)過(guò)測(cè)試后結(jié)果滿意，可以認(rèn)為該神經(jīng)網(wǎng)絡(luò)可以用來(lái)實(shí)現(xiàn)這個(gè)關(guān)系映射.網(wǎng)絡(luò)的結(jié)構(gòu)如圖5。9所示：輸入層隱層輸出層$zfLal=tansi0(wl+p+b1)a2=purelin(w2*al+ti2)其中：艮一輸入層節(jié)點(diǎn)敷£1一隈層節(jié)點(diǎn)皴以一輸出層節(jié)點(diǎn)敷圖5目三層BP網(wǎng)絡(luò)結(jié)梅得到的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值為:-0.00290.0237-Q.QQ98-0,Q0880.0095-00122-0.009800019000040.0792-0.11990.03240.00670.0341-001290.00300.0104-00129-00043-00142-00127-00011-0.0016000850.1392-Q.12S1-001410009