BP (逆伝播) ネットワークは、1986 年に Rumelhart と McCelland が率いる科学者グループによって提案されました。これは、誤差逆伝播アルゴリズムに従って訓練された多層フィードフォワード ネットワークです。現在最も多くの広く使用されているニューラル ネットワーク モデル。
#BP ネットワークは、このマッピング関係を記述する数式を事前に明らかにすることなく、多数の入出力パターンのマッピング関係を学習して保存できます。 その学習ルールは、最急降下法を使用し、バックプロパゲーションを通じてネットワークの重みとしきい値を継続的に調整して、ネットワークの二乗誤差の合計を最小限に抑えることです。 BP ニューラル ネットワーク モデルのトポロジー構造には、入力層、隠れ層、出力層が含まれます。 (推奨学習:web フロントエンド ビデオ チュートリアル )
BP ニューラル ネットワーク アルゴリズム は、BP ニューラル ネットワークの既存のアルゴリズムに基づいて、任意の選択を通じて提案されます。重みのセットでは、指定されたターゲット出力が線形方程式系を確立するための線形方程式の代数和として直接使用されます。解には重み付けが必要です。従来の方法の極小値や収束が遅い問題はなく、理解しやすいです。 。
BPアルゴリズム
1940年代以降に登場した人工ニューラルネットワーク(ANN)システムは、多数のニューロンによって調整可能であり、接続重みによって接続されており、次のような特徴を持っています。大規模な並列処理、分散型情報ストレージ、優れた自己組織化機能と自己学習機能を備えており、情報処理、パターン認識、インテリジェント制御、システム モデリングの分野でますます広く使用されています。 特に、誤差逆伝播トレーニング (BP ネットワーク) は、任意の連続関数を近似でき、強力な非線形マッピング機能、およびネットワークの中間層の数と各層の処理ユニットのパラメータなどを備えています。ネットワークの数と学習係数は特定の状況に応じて設定でき、柔軟性が高いため、多くの応用分野で重要な役割を果たします。 収束速度が遅い、大域最大点への収束を保証できない、ネットワークの中間層とそのユニット数を選択する際の理論的指針が欠如しているなどの BP ニューラル ネットワークの欠点を解決するために、ネットワークの学習と記憶の不安定性を考慮して、この方法は多くの改良されたアルゴリズムが提案されました。以上がBPニューラルネットワークアルゴリズムの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。