BP神經網路演算法

BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家團隊提出，是一種按誤差逆傳播演算法訓練的多層前饋網絡，是目前應用最廣泛的神經網路模型之一。

BP網路能學習和存貯大量的輸入-輸出模式映射關係，而無需事前揭示描述這種映射關係的數學方程式。

它的學習規則是使用最速下降法，透過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。 BP神經網路模型拓樸結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。 (推薦學習：web前端視訊教學）

BP神經網路演算法是在BP神經網路現有演算法的基礎上提出的，是透過任意選定一組權值，將給定的目標輸出直接作為線性方程的代數和來建立線性方程組，解得待求權，不存在傳統方法的局部極小及收斂速度慢的問題，且更易理解。

BP演算法

人工神經網路（artificial neural networks, ANN）系統是20世紀40年代後出現的，它是由眾多的神經元可調的連結權值連結而成，具有大規模平行處理、分散式資訊儲存、良好的自組織自學習能力等特點，在資訊處理、模式識別、智慧控制及系統建模等領域得到越來越廣泛的應用。

尤其誤差反向傳播演算法（Error Back－propagation Training，簡稱BP網路）可以逼近任意連續函數，具有很強的非線性映射能力，而且網路的中間層數、各層的處理單元數及網路的學習係數等參數可依具體情況設定，且彈性很大，所以它在許多應用領域中扮演重要角色。

為了解決BP神經網路收斂速度慢、不能保證收斂到全局最點，網路的中間層及它的單元數選取無理論指導及網路學習和記憶的不穩定性等缺陷，提出了許多改進算法。

以上是BP神經網路演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！