Algorithme de réseau neuronal BP

Le réseau BP (Back Propagation) a été proposé en 1986 par un groupe de scientifiques dirigé par Rumelhart et McCelland. Il s'agit d'un réseau à action directe multicouche formé selon l'algorithme de rétro-propagation des erreurs. modèle de réseau neuronal utilisé.

Le réseau BP peut apprendre et stocker un grand nombre de relations de cartographie de modèles d'entrée-sortie sans révéler à l'avance les équations mathématiques décrivant cette relation de cartographie.

Sa règle d'apprentissage est d'utiliser la méthode de descente la plus raide et d'ajuster en continu les poids et les seuils du réseau par rétropropagation pour minimiser la somme des erreurs carrées du réseau. La structure topologique du modèle de réseau neuronal BP comprend la couche d'entrée, la couche cachée et la couche de sortie. (Apprentissage recommandé : Tutoriel vidéo Web front-end)

L'algorithme de réseau neuronal BP est proposé sur la base de l'algorithme existant du réseau neuronal BP, par sélection arbitraire Avec un ensemble de poids, le résultat cible donné est directement utilisé comme somme algébrique d'équations linéaires pour établir un système d'équations linéaires. La solution nécessite une pondération. Il n'y a pas de problèmes de convergence lente et minimale locale des méthodes traditionnelles, et c'est plus facile. comprendre.

Algorithme BP

Système de réseaux de neurones artificiels (ANN) apparu après les années 1940. Il est réglable par de nombreux neurones. Il est connecté par des poids de connexion et présente les caractéristiques des grands. traitement parallèle à grande échelle, stockage d'informations distribué et bonnes capacités d'auto-organisation et d'auto-apprentissage. Il est de plus en plus largement utilisé dans les domaines du traitement de l'information, de la reconnaissance de formes, du contrôle intelligent et de la modélisation de systèmes.

En particulier, la formation de rétro-propagation des erreurs (réseau BP) peut se rapprocher de n'importe quelle fonction continue et possède de fortes capacités de cartographie non linéaire, ainsi que le nombre de couches intermédiaires du réseau et les unités de traitement de chaque couche. Paramètres tels que le nombre et le coefficient d'apprentissage du réseau peuvent être définis en fonction de la situation spécifique, et la flexibilité est grande, il joue donc un rôle important dans de nombreux domaines d'application.

Afin de résoudre les défauts du réseau neuronal BP tels que la vitesse de convergence lente, l'incapacité de garantir la convergence vers le point maximum global, le manque de conseils théoriques dans la sélection de la couche intermédiaire du réseau et du nombre de ses unités , et l'instabilité de l'apprentissage du réseau et de la mémoire, cette méthode a été proposée par de nombreux algorithmes améliorés.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!