weixin_40725706

这个屌丝很懒，什么也没留下！

热门标签

人工神经网络ANN（BP网络）_ann神经网络算法

作者：weixin_40725706 | 2024-02-12 12:07:11

踩

ann神经网络算法

最近人工神经网络期末期末小作业需要浅浅地写一下自己对BP网络的理解（比较基础型的），希望能对大家有所帮助。

(由于文档复制过来有的公式变形，有的被加上水印，导致公式看不清或者看不懂的，可以私信我或留言，我把原文档分享给你们)

1.人工神经网络（ANN）概述

1.1人工神经网络(ANN)的定义：

人工神经网络ANN，简称神经网络，是指由大量的处理单元（神经元）互相连接而形成的复杂网络结构，是对人脑组织结构和运行机制的某种抽象、简化和模拟。人工神经网络（简称ANN ），以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它有多层和单层之分，每一层包含若干神经元，不同的神经元与相应的权重连接从而组成的线性或非线性的分类。

2．人工神经网络（ANN）的基本原理

2.1神经元模型：

神经元是神经网络的基本组成，也被称为“激活单元”，每一个神经元都可以是一个独立的学习模型。

如下图，一个模拟神经元最简单的形式是有一个或多个输入值xi和一个值恒为1的截距项 $_{_x0}$ ,偏置单元（一般不画出该神经元）和一个输出值y ，其中每个xi 都有一个权重wi。

最简单的来说，输出值就是输入值乘以权重之后的总和，即y= $\sum wixi$

2.2神经元模型的种类：

2.2.1单层感知机神经元（单层神经网络）：

单层感知器只有一个输入层，一个输出层，隐层为0。有多个二进制（值只能是或1）输入xi，每个输入有对应的权值wi，每个输入值乘以对应的权值的累加和 $\sum wixi$ ，然后经过激活函数“激活”得到输出值。这里的激活函数是符号函数，即 $\sum wixi$ 与一个阈值比较，大于阈值则输出1、小于阈值则输出0或-1。从而很好地实现了二分类。

2.2.2 Sigmoid神经元：

Sigmoid神经元中，输入的值不再是二进制，而是0到1之间的任意值。即xi取值是0到1之间的任意实数，而且Sigmoid神经元的输出也不再是0或1，输出值为h(x;θ)=sigmoid(w0+w1x1+w2x2+…+wnxn);当 $\sum$ wixi趋向于正无穷时,其输出的值趋向于1，当 $\sum$ wixi趋向于负无穷时，其输出值趋向于0，其具有将小信号放大、大信号缩小的特征，从而把较大范围变化的连续值映射到区间[0,1]。

Sigmoid函数：

f(z)=sigmoid(z)= $\frac{1}{1+e^{-z}}$

Sigmoid函数图像

2.3激活函数：

激活函数，也称为激励、活化函数，实现神经元的输入和输出之间非线性化。简单的神经元模型，和单层感知机模型都是线性可分模型。如果遇到分布较复杂的数据集，线性模型是无法实现完美的拟合。所以必须加入非线性因素（激活函数），实现神经元的输入和输出之间非线性化，增强神经网络的表达的能力。

我们可以简单理解为，如果没有激活函数，那么神经网络就没有了非线性变换，也就只能做线性变换。如下图：

3. 前馈神经网络

3.1 什么是前馈神经网络：

一个经典的神经网络是一个包含三个层次的。输入层、输出层和中间层（隐层）。多层前馈神经网络有一个输入层、多个中间层（隐层）和一个输出层，前馈神经网络的信号从输入层向输出层单向非线性映射，各层之间没有反馈，每一层神经元的输出可以理都作为下一层的输入，与下一层的神经元相连。前馈神经网络可以简单地理解为是感知机的集合。

三层神经网络结构图

3.2前馈神经网络的算法步骤：

(假设输入层只有3个神经元，隐层有4个神经元，输出层只有3个神经元

（1）第一层直接接受原始数据输入，称为输入层，故计算第一层输出为：x1，x2，x3

（2）如果已知神经网络的参数θ={W1，W2，W(3)}计算第二层的输出：

（激活函数f(z)均为单极性Sigmoid函数：f(z)=sigmoid(z)= $\frac{1}{1+e^{-z}}$

且f(z)具有连续可导的特点，有 f(z)'=f(z)[1-f(z)]）

a1(2)=f(W10(1)+W11(1)x1+W12(1)x2+W13(1)x3) = f( $\sum$ Wij(1)xj)

a2(2)=f(W20(1)+W21(1)x1+W22(1)x2+W23(1)x3)

a3(2)=f(W30(1)+W31(1)x1+W32(1)x2+W33(1)x3)

a4(2)=f(W40(1)+W41(1)x1+W42(1)x2+W43(1)x3)

（3）最后计算输出层的输出：

y1=g(W10(2)+W11(2)a1(2)+W12(2)a2(2)+W13(2)a3(2)+W14(2)a4(2)) =g( $\sum$ Wij(2)aj(2))

y2=g(W20(2)+W21(2)a1(2)+W22(2)a2(2)+W23(2)a3(2)+W24(2)a4(2))

y3=g(W30(2)+W31(2)a1(2)+W32(2)a2(2)+W33(2)a3(2)+W34(2)a4(2))

（注：ai(t)：表示第t层的第i个激活单元（神经元）的输出。

Wij(t):表示第t层到t+1层的权重矩阵的第i行第j列，也就是第t层的第j个单元与第t+1层的第i个单元之间连线的权重。）

4.BP神经网络的基本原理：

4.1 什么是BP神经网络

BP神经网络是多层神经网络（前馈神经网络）与最优化方法（如梯度下降法）的结合使用，即BP神经网络=多层感知机+误差反向传播学习(训练)算法。

BP（误差反向传播）算法，它首先计算输出层的误差，然后一次一次地反向求出各层的误差，直到倒数第二层。它是在前馈神经网络的基础上增加了反馈机制，即通过迭代处理方式，不断地调整更新链接神经元的网络连接权值，使网络输出不断地接近期望输出，即输出误差最小。

4.2 BP神经网络算法步骤：（3层神经网络为例）

（1）首先前向传播算法计算出各层的输入、输出值：

第一层的输入和输出均为：x1，x2，x3…；

第二层的输入为:

W10(1)+W11(1)x1+W12(1)x2+W13(1)x3+…

W20(1)+W21(1)x1+W22(1)x2+W23(1)x3+…

W30(1)+W31(1)x1+W32(1)x2+W33(1)x3+…

W40(1)+W41(1)x1+W42(1)x2+W43(1)x3+…

…

第二层的输出为：

（激活函数f(z)为单极性Sigmoid函数：f(z)=sigmoid(z)= $\frac{1}{1+e^{-z}}$ ）

a1(2)=f(W10(1)+W11(1)x1+W12(1)x2+W13(1)x3+…) = f(j= $\sum$ Wij(1)xj)

a2(2)=f(W20(1)+W21(1)x1+W22(1)x2+W23(1)x3+…)

a3(2)=f(W30(1)+W31(1)x1+W32(1)x2+W33(1)x3+…)

a4(2)=f(W40(1)+W41(1)x1+W42(1)x2+W43(1)x3+…)

…

输出层输入为

W10(2)+W11(2)a1(2)+W12(2)a2(2)+W13(2)a3(2)+W14(2)a4(2)+…

W20(2)+W21(2)a1(2)+W22(2)a2(2)+W23(2)a3(2)+W24(2)a4(2)+…

W30(2)+W31(2)a1(2)+W32(2)a2(2)+W33(2)a3(2)+W34(2)a4(2)+…

…

输出层输出为：

y1=g(W10(2)+W11(2)a1(2)+W12(2)a2(2)+W13(2)a3(2)+W14(2)a4(2)) = g(j=0nWjk(2)aj(2))

y2=g(W20(2)+W21(2)a1(2)+W22(2)a2(2)+W23(2)a3(2)+W24(2)a4(2))

y3=g(W30(2)+W31(2)a1(2)+W32(2)a2(2)+W33(2)a3(2)+W34(2)a4(2))

…

（2）计算网络输出值与期望值的误差：（设期望输出为d1、d2、d3…）

将以上的误差公式展开至隐层：

E=1/21ng(j=0nWjk(2)aj(2))-di2

再进一步展开至输入层：

E=1/21ng(j=0nWij(2)f(j=0nWij(1)xj))-di2

（3）计算梯度：

由上式可以看出，网络输出误差就是，各层权值Wij(1)、Wij(2)的函数，因此可以通过调整权值不断减小误差E，因此应使权值的调整量与误差的梯度下降成正比，方向与梯度相反的方向，即误差的梯度下降法。梯度，即指误差E对权值W求偏导。

对于输出层的梯度：

∂E∂Wjk(2) （j=0,1,2…,n; k=0,1,2…,l ）

令，

则梯度

对于隐层的梯度：

（i=0,1,2…,m; j=0,1,2…,n）

=δj ，

则梯度

对于隐层的梯度：

（i=0,1,2…,m; j=0,1,2…,n）

=δj ，

则梯度

（4）调整权值：

对于输出层的权值调整式：

对于隐层的权值调整式：

=μ*δj*xj

常数μ∈（0，1）表示比例系数，也叫作学习率，反应了学习速率。

（5）计算新的权值：

对于输出层的新的权值：

Wjk(2)=Wjk(2)-∆Wjk(2)

=Wjk(2)- μ*δk*aj(2)

对与隐层的新的权值：

Wij(1)=Wij(1)-∆Wij(1)

=Wij(1)- μ*δj*xj

（6）计算新的网络输出值

根据上式计算得到的各层神经网络的新的权值W计算新的网络输出值yi

（7）迭代

再次计算新的网络输出值yi与期望输出值di的误差。如果还有误差较大，则重复（1）~（5）步骤迭代更新权值。

（8）终止条件：

当网络输出误差减小到最小或学习次数为0时，终止迭代。

4.3 3层神经网络实例

我们假设输入层的节点输入值设为x1=1.0,x2=1.0,输入层与隐层，隐层与输出层之间的网络权值初值wij、wjk都设为0.5，期望输出值为 0.5

（1）计算输入层（I层）的输入值、输出值：

输入层采用的是恒等函数作为激活函数，因此有yi=xi=1.0

（2）计算隐层（J层）的输入值：

我们通过对I层（输入层）的输出值yi加权总和向前传递到 J 层，作为J层的输入xj:

xj1=yi*wij=1.0∗0.5+1.0∗0.5=1.0

xj2=yi*wij=1.0∗0.5+1.0∗0.5=1.0

（3）计算隐层（J层）的输出值：

将 J 层节点的输入值xj由激活函数（sigmoid 函数f(z)=sigmoid(z)= $\frac{1}{1+e^{-z}}$ ）激活，得 yj=f(xj)= $\frac{1}{1+e^{-z}}$ ≈0.732

4）计算输出层（K）层的输入值：

把J层（隐层）的输出值yj加权总和向前传递给k层，作为K层的输入xk

xk= $\sum$ yj*wjk=0.731*0.5+0.73*0.5 = 0.731

5）计算输出层（K）层的网络输出值：

需要保障输出端能接收到输出层输出的任何值，故K层（输出层）的激活函数是恒等函数（线性函数），故 yk=xk=0.731

（6）计算网络输出值与期望输出值的误差：（期望输出值为0.5）

∆yk= yk-yk'=0.731-0.5 = 0.231

误差较大，需要使用梯度下降法不断迭代调整各网络权值，降低误差。

（7）计算梯度：

损失函数：

对于输出层的梯度,即E对wjk的偏导数：

(yj*wjk-yk')*yj

=(yk-yk')*yj

=∆yk*yj

代入Δyk=0.231、yj= 0.731，得δk=∆yk*yj=0.168861

对于隐层，损失函数可变换为：

(Sigmoid函数：f(z)=sigmoid(z)= $\frac{1}{1+e^{-z}}$

且f(z)具有连续可导的特点，有 f(z)'=f(z)[1-f(z)])

隐层的梯度，即E对wij的偏导数：

把Δyk=0.231、wjk=0.5、yj= fxj=0.731、yi=1代入，

得∆yk*wjk*fxj1-fxj*yi= 0.022796

（8）计算权重调整值：（学习率μ设为0.01）

对于输出层：

∆wjk=μ*δk=0.01*0.0168866=0.00016886

对于隐层：

∆wij=μ*δj=0.01*0.022796=0.00022796

（9）计算新的各层新的网络权值：

对于输出层：

wjk=wjk-∆wjk=0.5-0.00016886=0.49983

对于隐层：

wij=wij-∆wij=0.5-0.00022796=0.49977

（10）计算新的网络输出值、误差：

可以看到这个权重值变化很小，一般来说将会得到一个比之前更小的误差。

第一遍我们得到的预测值

y1=0.731

采用新的权重值计算得到

y2≈0.7285

由此误差

y1−y1′=0.231

而 y2−y2′=0.2285

可见，误差得到了减小，按照该算法重复迭代运行，就可以将误差最终减小到0，或趋向于0。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/weixin_40725706/article/detail/77711