神经网络BP算法案例
神经网络BP算法案例 1
神经网络BP算法案例 【例】假设训练样本S的属性值为{1,0,1},实 乐类别分别为1,两层前馈神经网络N如图所示 NT中每条有一向加权边的权重、每个隐藏层与输 出层单元的偏置如表1所示,学习率为o.9。写出 输入S训练NT的过程。 图1两层前馈神经网络
【例】 假设训练样本s的属性值为｛1，0，1｝，实 际类别分别为1，两层前馈神经网络NT如图1所示， NT中每条有一向加权边的权重、每个隐藏层与输 出层单元的偏置如表1所示，学习率为0.9。写出 输入S训练NT的过程。 2 1 3 6 5 4 2 . . . . . .. . . . w14 w15 w24 w25 w34 w35 w46 w56 神经网络BP算法案例 图1 两层前馈神经网络
神经网络BP算法案例 首先算出单元4、5、6的输入、输出,具体结果见 表1,然后计算45、6的误差,见表2;N中每条 有向加权边的新权重、每个隐藏层与输出层单元 的新偏置见表3。 图2两层前馈神经网络
首先算出单元4、5、6的输入、输出，具体结果见 表1，然后计算4、5、6的误差，见表2；NT中每条 有向加权边的新权重、每个隐藏层与输出层单元 的新偏置见表3。 3 图2 两层前馈神经网络 神经网络BP算法案例
神经网络BP算法案例 表1权重、单元的偏置 X X2 X3 W14 W15 W24 W25 W34 W35 Was Wss 666 0 102-030401-0.502|-03-02-0.40201
表1 权重、单元的偏置 4 神经网络BP算法案例
神经网络BP算法案例 表2隐藏层与输出层每个单元的输入、输出 单元j 输入l 输出O 40.2×1+04×0+(05)×1+(0.4)=0.71/(+e(0.7)=0332 5(-0.3)×H+0.1×0+0.2×1+0.2=0.1 l/(l+e-0.1)=0.525 6(-0.3)×0.324+(-0.2)×0.525+0.10.1051(1+e-(-0.105)=0474
单元j 输入I j 输出Oj 4 0.2×1+0.4×0+(-0.5)×1+(-0.4)=-0.7 1/(l+e-(-0.7))=0.332 5 (-0.3)×l+0.1×0+0.2 × 1+0.2=0.1 1/(l+e-0.1)= 0.525 6 (-0.3) ×0.332+(-0.2)×0.525+0.1=-0.105 1/(l+e-(-0.105))=0.474 5 表2 隐藏层与输出层每个单元的输入、输出 神经网络BP算法案例