BP神经网络ppt课件.ppt

《BP神经网络ppt课件.ppt》由会员分享，可在线阅读，更多相关《BP神经网络ppt课件.ppt（101页珍藏版）》请在三一办公上搜索。

1、2022/11/16,1,BP人工神经网络 Back-propagation Artificial Neural Networks,2022/11/16,2,张凌数计学院联系电话：13605935915Email：,2022/11/16,3,主要参考书目,1、Philip D. Wasserman， Neural Computing: Theory and Practice，Van Nostrand Reinhold，19892、胡守仁、余少波、戴葵，神经网络导论，国防科技大学出版社，1993年10月3、杨行峻、郑君里，人工神经网络，高等教育出版社，1992年9月4、闻新、周露、王丹力、熊晓英

2、，MATLAB神经网络应用设计，科学出版社，2001.5.,2022/11/16,4,课程目的和基本要求,作为人工神经网络的入门课程，用于将学生引入人工神经网络及其应用的研究领域。 介绍BP人工神经网络及其基本网络模型，使学生了解智能系统描述的基本模型掌握人工神经网络的基本概念、单层网、多层网、循环网等各种基本网络模型的结构、特点、典型训练算法、运行方式、典型问题掌握软件实现方法。,2022/11/16,5,课程目的和基本要求,了解BP人工神经网络的有关研究思想，从中学习开拓者们的部分问题求解方法。 通过实验进一步体会有关模型的用法和性能，获取一些初步的经验。 查阅适当的参考文献，将所学的知识

3、与自己未来研究课题相结合起来，达到既丰富学习内容，又有一定的研究和应用的目的。,2022/11/16,6,主要内容,基于Matlab的BP神经网络设计与应用 BP（Backpropagation）网络的构成及其训练过程；隐藏层权调整方法的直观分析，BP训练算法中使用的Delta规则（最速下降法）的理论推导；算法的收敛速度及其改进讨论；BP网络中的几个重要问题。实验：实现BP算法。,2022/11/16,7,引言,1人工神经网络的提出2 人工神经网络的特点3 历史回顾,2022/11/16,8,第1章 引言,人类对人工智能的研究可以分成两种方式对应着两种不同的技术：传统的人工智能技术:心理的角度

4、模拟基于人工神经网络的技术:生理的角度模拟,2022/11/16,9,人工神经网络的提出,人工神经网络（Artificial Neural Networks，简记作ANN），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。,2022/11/16,10,人工神经网络的提出,智能与人工智能 一、 智能的含义 智能是个体有目的的行为，合理的思维，以及有效的、适应环境的综合能力。 智能是个体认识客观事物和运用知识解决问题的能力。 人类个体的智能是一种综合能力。,2022/11/16,11,人工神经网络的提出,智

5、能可以包含8个方面感知与认识客观事物、客观世界和自我的能力感知是智能的基础最基本的能力 通过学习取得经验与积累知识的能力这是人类在世界中能够不断发展的最基本能力。理解知识，运用知识和经验分析、解决问题的能力这一能力可以算作是智能的高级形式。是人类对世界进行适当的改造，推动社会不断发展的基本能力。,2022/11/16,12,人工神经网络的提出,联想、推理、判断、决策语言的能力这是智能的高级形式的又一方面。预测和认识主动和被动之分。联想、推理、判断、决策的能力是主动的基础。运用进行抽象、概括的能力上述这5种能力，被认为是人类智能最为基本的能力,2022/11/16,13,1.1 人工神经网络的提

6、出,作为5种能力综合表现形式的3种能力发现、发明、创造、创新的能力 实时、迅速、合理地应付复杂环境的能力 预测、洞察事物发展、变化的能力,2022/11/16,14,人工神经网络的提出,二、人工智能 人工智能：研究如何使类似计算机这样的设备去模拟人类的这些能力。 研究人工智能的目的增加人类探索世界，推动社会前进的能力进一步认识自己 三大学术流派符号主义（或叫做符号/逻辑主义）学派联接主义（或者叫做PDP）学派进化主义（或者叫做行动/响应）学派,2022/11/16,15,人工神经网络的提出,物理符号系统,人脑的反映 形式化现实 信息 数据 物理系统 物理符号系统 表现智能,2022/11/16

7、,16,人工神经网络的提出,Newell和Simon假说 ：一个物理系统表现智能行为的充要条件是它有一个物理符号系统 概念：物理符号系统需要有一组称为符号的实体组成，它们都是物理模型，可以在另一类称为符号结构的实体中作为成分出现，以构成更高级别的系统,2022/11/16,17,人工神经网络的提出,困难：抽象:舍弃一些特性，同时保留一些特性形式化处理:用物理符号及相应规则表达物理系统的存在和运行。 局限：对全局性判断、模糊信息处理、多粒度的视觉信息处理等是非常困难的。,2022/11/16,18,人工神经网络的提出,联接主义观点 核心：智能的本质是联接机制。 神经网络是一个由大量简单的处理单元

8、组成的高度复杂的大规模非线性自适应系统 ANN力求从四个方面去模拟人脑的智能行为物理结构 计算模拟 存储与操作 训练,2022/11/16,19,人工神经网络的提出,两种模型的比较心理过程 逻辑思维 高级形式（思维的表象）生理过程 形象思维 低级形式（思维的根本） 仿生人工神经网络,联结主义观点,物理符号系统,2022/11/16,20,人工神经网络的提出,物理符号系统和人工神经网络系统的差别,2022/11/16,21,人工神经网络的提出,两种人工智能技术的比较,2022/11/16,22,人工神经网络的特点,信息的分布表示运算的全局并行和局部操作处理的非线性,2022/11/16,23,人

9、工神经网络的概念,1、定义 1）Hecht Nielsen（1988年）人工神经网络是一个并行、分布处理结构，它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元（PE Processing Element）具有局部内存，并可以完成局部操作。每个处理单元有一个单一的输出联接，这个输出可以根据需要被分枝成希望个数的许多并行联接，且这些并行联接都输出相同的信号，即相应处理单元的信号，信号的大小不因分支的多少而变化。,2022/11/16,24,人工神经网络的概念,（1）Hecht Nielsen（1988年）（续） 处理单元的输出信号可以是任何需要的数学模型，每个处理单元中进行的操作必须是

10、完全局部的。也就是说，它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。,2022/11/16,25,人工神经网络的概念,强调： 并行、分布处理结构； 一个处理单元的输出可以被任意分枝，且大小不变； 输出信号可以是任意的数学模型； 处理单元完全的局部操作,2022/11/16,26,人工神经网络的概念,（2） Rumellhart，McClelland，Hinton的PDP 1） 一组处理单元（PE或AN）；2） 处理单元的激活状态（ai）；3） 每个处理单元的输出函数（fi）；4） 处理单元之间的联接模式；5） 传递规则（wijoi）；6） 把处理

11、单元的输入及当前状态结合起来产生激活值的激活规则（Fi）；7） 通过经验修改联接强度的学习规则；8） 系统运行的环境（样本集合）。,2022/11/16,27,人工神经网络的概念,（3） Simpson（1987年）人工神经网络是一个非线性的有向图，图中含有可以通过改变权大小来存放模式的加权边，并且可以从不完整的或未知的输入找到模式。,2022/11/16,28,人工神经网络的概念,2、关键点（1） 信息的分布表示（2） 运算的全局并行与局部操作（3） 处理的非线性特征3、对大脑基本特征的模拟1） 形式上：神经元及其联接；BN对AN2） 表现特征：信息的存储与处理,2022/11/16,29,

12、人工神经网络的概念,4、别名人工神经系统（ANS）神经网络（NN）自适应系统（Adaptive Systems）、自适应网（Adaptive Networks）联接模型（Connectionism）神经计算机（Neurocomputer）,2022/11/16,30,人工神经元的基本构成,人工神经元模拟生物神经元的一阶特性。输入：X=（x1，x2，xn）联接权：W=（w1，w2，wn）T网络输入：net=xiwi向量形式：net=XW,2022/11/16,31,激活函数(Activation Function),激活函数执行对该神经元所获得的网络输入的变换，也可以称为激励函数、活化函数： o

13、=f（net） 1、线性函数（Liner Function） f（net）=k*net+c,2022/11/16,32,2、非线性斜面函数(Ramp Function), if netf（net）= k*netif |net|0为一常数，被称为饱和值，为该神经元的最大输出。,2022/11/16,33,2、非线性斜面函数（Ramp Function）,2022/11/16,34,3、阈值函数（Threshold Function）阶跃函数,if netf（net）=-if net 、均为非负实数，为阈值二值形式：1if netf（net）=0if net 双极形式：1if netf（net）=

14、-1if net ,2022/11/16,35,3、阈值函数（Threshold Function）阶跃函数,-,o,net,0,2022/11/16,36,4、S形函数,压缩函数（Squashing Function）和逻辑斯特函数（Logistic Function）。f（net）=a+b/(1+exp(-d*net)a，b，d为常数。它的饱和值为a和a+b。最简单形式为：f（net）= 1/(1+exp(-d*net) 函数的饱和值为0和1。S形函数有较好的增益控制,2022/11/16,37,4、S形函数,2022/11/16,38,课内容回顾,生物神经网六个基本特征神经元及其联接、信

15、号传递、训练、刺激与抑制、累积效果、 阈值。人工神经元的基本构成,2022/11/16,39,上次课内容回顾,激活函数与M-P模型 线性函数、非线性斜面函数、阈值函数 S形函数 M-P模型,2022/11/16,40,简单单级网,2022/11/16,41,简单单级网,W=（wij）输出层的第j个神经元的网络输入记为netj：netj=x1w1j+x2w2j+xnwnj其中, 1 j m。取NET=（net1，net2，netm）NET=XWO=F（NET）,2022/11/16,42,单级横向反馈网,2022/11/16,43,单级横向反馈网,V=（vij）NET=XW+OVO=F（NET）

16、时间参数神经元的状态在主时钟的控制下同步变化考虑X总加在网上的情况NET（t+1）=X（t）W+O（t）VO(t+1)=F(NET(t+1)O（0）=0考虑仅在t=0时加X的情况。 稳定性判定,2022/11/16,44,多级网,2022/11/16,45,层次划分 信号只被允许从较低层流向较高层。层号确定层的高低：层号较小者，层次较低，层号较大者，层次较高。输入层：被记作第0层。该层负责接收来自网络外部的信息,2022/11/16,46,第j层：第j-1层的直接后继层（j0），它直接接受第j-1层的输出。输出层：它是网络的最后一层，具有该网络的最大层号，负责输出网络的计算结果。隐藏层：除输入

17、层和输出层以外的其它各层叫隐藏层。隐藏层不直接接受外界的信号，也不直接向外界发送信号,2022/11/16,47,约定 :输出层的层号为该网络的层数：n层网络，或n级网络。第j-1层到第j层的联接矩阵为第j层联接矩阵，输出层对应的矩阵叫输出层联接矩阵。今后，在需要的时候，一般我们用W（j）表示第j层矩阵。,2022/11/16,48,多级网 层网络,2022/11/16,49,多级网,非线性激活函数 F(X)=kX+CF3(F2(F1(XW(1)W(2)W(3),2022/11/16,50,循环网,2022/11/16,51,循环网,如果将输出信号反馈到输入端,就可构成一个多层的循环网络。输入

18、的原始信号被逐步地加强、被修复。大脑的短期记忆特征:看到的东西不是一下子就从脑海里消失的。稳定：反馈信号会引起网络输出的不断变化。我们希望这种变化逐渐减小，并且最后能消失。当变化最后消失时，网络达到了平衡状态。如果这种变化不能消失，则称该网络是不稳定的。,2022/11/16,52,人工神经网络的训练,人工神经网络最具有吸引力的特点是它的学习能力。1962年，Rosenblatt给出了人工神经网络著名的学习定理：人工神经网络可以学会它可以表达的任何东西。人工神经网络的表达能力大大地限制了它的学习能力。人工神经网络的学习过程就是对它的训练过程,2022/11/16,53,无导师学习,无导师学习(

19、Unsupervised Learning)与无导师训练(Unsupervised Training)相对应 抽取样本集合中蕴含的统计特性，并以神经元之间的联接权的形式存于网络中。,2022/11/16,54,有导师学习,有导师学习(Supervised Learning)与有导师训练(Supervised Training)相对应。输入向量与其对应的输出向量构成一训练。有导师学习的训练算法的主要步骤包括：1） 从样本集合中取一个样本（Ai，Bi）；2） 计算出网络的实际输出O； 3） 求D=Bi-O；4） 根据D调整权矩阵W； 5） 对每个样本重复上述过程，直到对整个样本集来说，误差不超过规

20、定范围。,2022/11/16,55,Delta规则,Widrow和Hoff的写法：Wij(t+1)=Wij(t)+(yj- aj(t)oi(t)也可以写成：Wij(t+1)=Wij(t)+Wij(t)Wij(t)=joi(t)j=yj- aj(t)Grossberg的写法为： Wij(t)=ai(t)(oj(t)-Wij(t)更一般的Delta规则为： Wij(t)=g(ai(t)，yj，oj(t)，Wij(t),2022/11/16,56,BP网络,1 概述 2 基本BP算法 3 算法的改进 4 算法的实现 5 算法的理论基础 6 几个问题的讨论,2022/11/16,57,一 概述,1、

21、BP算法的出现非循环多级网络的训练算法UCSD PDP小组的Rumelhart、Hinton和Williams1986年独立地给出了BP算法清楚而简单的描述1982年，Paker就完成了相似的工作1974年，Werbos已提出了该方法2、弱点：训练速度非常慢、局部极小点的逃离问题、算法不一定收敛。3、优点：广泛的适应性和有效性。,2022/11/16,58,概述,4、BP网络主要用于1）函数逼近：用输入向量和相应的输出向量训练一个网络逼近一个函数。2）模式识别：用一个特定的输出向量将它与输入向量联系起来。3）分类：把输入向量 以所定义的合适方式进行分类。4）数据压缩：减少输出向量维数以便于传输

22、或存储。,2022/11/16,59,二 基本BP算法,1 网络的构成 神经元的网络输入：neti=x1w1i+x2w2i+xnwni神经元的输出：,2022/11/16,60,输出函数分析,应该将net的值尽量控制在收敛比较快的范围内可以用其它的函数作为激活函数，只要该函数是处处可导的,2022/11/16,61,网络的拓扑结构,2022/11/16,62,网络的拓扑结构,BP网的结构输入向量、输出向量的维数、网络隐藏层的层数和各个隐藏层神经元的个数的决定实验：增加隐藏层的层数和隐藏层神经元个数不一定总能够提高网络精度和表达能力。BP网一般都选用二级网络。,2022/11/16,63,网络的

23、拓扑结构,2022/11/16,64,2 训练过程概述,样本：(输入向量，理想输出向量)权初始化：小随机数与饱和状态；不同保证网络可以学。1、向前传播阶段：（1）从样本集中取一个样本(Xp，Yp)，将Xp输入网络；（2）计算相应的实际输出Op：Op=Fl(F2(F1(XpW(1)W(2)W(L),2022/11/16,65,2 训练过程概述,2、向后传播阶段 误差传播阶段：（1）计算实际输出Op与相应的理想输出Yp的差；（2）按极小化误差的方式调整权矩阵。（3）网络关于第p个样本的误差测度：,（4） 网络关于整个样本集的误差测度：,2022/11/16,66,3 误差传播分析,1、输出层权的调

24、整,wpq= wpq+wpqwpq=qop=fn (netq)(yq-oq)op=oq(1-oq) (yq-oq)op,2022/11/16,67,2、隐藏层权的调整,2022/11/16,68,2、隐藏层权的调整,k-1的值和1k，2k， ，mk 有关不妨认为pk-1通过权wp1对1k做出贡献，通过权wp2对2k做出贡献，通过权wpm对mk做出贡献。pk-1= fk-1(netp) (wp11k+ wp22k+ wpmm k),2022/11/16,69,2、隐藏层权的调整,vhp=vhp+vhp vhp=pk-1ohk-2 =fk-1 (netp)( wp11k+ wp22k+ + wpm

25、mk)ohk-2=opk-1(1-opk-1)( wp11k+ wp22k+ + wpmmk)ohk-2,2022/11/16,70,内容回顾,基本BP算法neti=x1w1i+x2w2i+ +xnwni,2022/11/16,71,内容回顾,2022/11/16,72,内容回顾,样本权初始化向前传播阶段Op=Fn(F2(F1(XpW(1)W(2)W(n)误差测度,2022/11/16,73,内容回顾,向后传播阶段 误差传播阶段输出层权的调整wpq= qop =fn (netq)(yq-oq)op =oq(1-oq) (yq-oq)op隐藏层权的调整,vhp =opk-1(1-opk-1)(

26、wp11k+ wp22k+ + wpmmk)ohk-2,2022/11/16,74,4 基本的BP算法,样本集：S=(X1,Y1),(X2,Y2),(Xs,Ys) 基本思想 ：逐一地根据样本集中的样本(Xk,Yk)计算出实际输出Ok和误差测度E1，对W(1) ，W(2) ，W(L)各做一次调整，重复这个循环，直到Ep。用输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。如此获得所有其它各层的误差估计，并用这些估计实现对权矩阵的修改。形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递的过程,2022/11/16,75,基本

27、BP算法,1 for k=1 to L do1.1 初始化W(k)；2 初始化精度控制参数；3 E=+1;4 while E do 4.1 E=0;,2022/11/16,76,基本BP算法,4.2 对S中的每一个样本（Xp,Yp）： 4.2.1 计算出Xp对应的实际输出Op； 4.2.2 计算出Ep； 4.2.3 E=E+Ep； 4.2.4 根据相应式子调整W(L)； 4.2.5 k=L-1； 4.2.6 while k0 do 4.2.6.1 根据相应式子调整W(k)； 4.2.6.2 k=k-1 4.3 E=E/2.0,2022/11/16,77,算法的改进,1、BP网络接受样本的顺序对

28、训练结果有较大影响。它更偏爱较后出现的样本2、给集中的样本安排一个适当的顺序，是非常困难的。3、样本顺序影响结果的原因：分别依次4、用(X1,Y1)，（X2,Y2）， ，（Xs,Ys）的总效果修改W(1) ，W(2) ， ，W(L)。w(k)ij=p w(k)ij,2022/11/16,78,消除样本顺序影响的BP算法,1 for k=1 to L do1.1 初始化W(k)；2 初始化精度控制参数；3 E=+1;4 while E do 4.1 E=0;4.2 对所有的i，j，k： w (k)ij=0；,2022/11/16,79,4.3 对S中的每一个样本（Xp,Yp）：4.3.1 计算出

29、Xp对应的实际输出Op；4.3.2 计算出Ep；4.3.3 E=E+Ep；4.3.4 对所有i，j根据相应式子计算p w (L)ij；4.3.5 对所有i，j： w (L)ij= w (L)ij+p w (L)ij；4.3.6 k=L-1；4.3.7 while k0 do4.3.7.1 对所有i,j根据相应式子计算p w (k)ij；4.3.7.2 对所有i,j： w (k)ij= w (k)ij+p w (k)ij；4.3.7.3 k=k-1 4.4 对所有i，j，k：w (k)ij= w (k)ij+ w (k)ij;4.5 E=E/2.0,2022/11/16,80,算法分析,较好地解

30、决了因样本的顺序引起的精度问题和训练的抖动问题 收敛速度：比较慢偏移量：给每一个神经元增加一个偏移量来加快收敛速度 冲量：联接权的本次修改要考虑上次修改的影响，以减少抖动问题,2022/11/16,81,算法的实现,主要数据结构WH，m 输出层的权矩阵；Vn，H 输入（隐藏）层的权矩阵；m输出层各联接权的修改量组成的向量；H隐藏层各联接权的修改量组成的向量；O1隐藏层的输出向量；O2输出层的输出向量；(X，Y)一个样本。,2022/11/16,82,算法的主要实现步骤,用不同的小伪随机数初始化W，V；初始化精度控制参数；学习率 ； 循环控制参数E=+1；循环最大次数M；循环次数控制参数N=0；

31、 while E & NM do 4.1 N=N+1；E=0；4.2 对每一个样本(X,Y)，执行如下操作,2022/11/16,83,对每一个样本(X,Y)，执行的操作,1 计算：O1=F1(XV)；O2=F2(O1W)；2 计算输出层的权修改量 for i=1 to mi= O2 i*(1- O2 i)*(Yi-O2 i)； 计算输出误差：for i=1 to m E=E+(Yi-O2 i)2；,2022/11/16,84,建议,隐藏层的神经元的个数H作为一个输入参数同时将、循环最大次数M等，作为算法的输入参数 在调试阶段，最外层循环内，加一层控制，以探测网络是否陷入了局部极小点,2022

32、/11/16,85,算法的理论基础,基本假设网络含有L层联接矩阵： W(1) ，W(2) ，W(L)第k层的神经元：Hk个自变量数： n*H1+H1*H2+H2*H3+HL*m样本集： S= (X1,Y1),(X2,Y2),(Xs,Ys) 误差测度:,2022/11/16,86,用E代表EP，用（X，Y）代表（XP，YP）X=(x1，x2， ，xn)Y=(y1，y2， ，ym)该样本对应的实际输出为O=（o1，o2， ，om）,误差测度,2022/11/16,87,误差测度,用理想输出与实际输出的方差作为相应的误差测度,2022/11/16,88,最速下降法，要求E的极小点,取,2022/11

33、/16,89,而其中的,所以，,最速下降法，要求E的极小点,2022/11/16,90,令,所以wij=joi为学习率,最速下降法，要求E的极小点,2022/11/16,91,ANj为输出层神经元,oj=f(netj) 容易得到,从而,2022/11/16,92,ANj为输出层神经元,2022/11/16,93,所以，,故，当ANj为输出层的神经元时，它对应的联接权wij应该按照下列公式进行调整：,ANj为输出层神经元,2022/11/16,94,ANj为隐藏层神经元,2022/11/16,95,ANj为隐藏层神经元,netk=,2022/11/16,96,ANj为隐藏层神经元,2022/11

34、/16,97,ANj为隐藏层神经元,2022/11/16,98,ANj为隐藏层神经元,2022/11/16,99,几个问题的讨论,收敛速度问题 局部极小点问题 逃离/避开局部极小点：修改W、V的初值并不是总有效。逃离 统计方法；Wasserman，1986将Cauchy训练与BP算法结合起来，可以在保证训练速度不被降低的情况下，找到全局极小点。,2022/11/16,100,几个问题的讨论,网络瘫痪问题 在训练中，权可能变得很大，这会使神经元的网络输入变得很大，从而又使得其激活函数的导函数在此点上的取值很小。根据相应式子，此时的训练步长会变得非常小，进而将导致训练速度降得非常低，最终导致网络停止收敛 稳定性问题 用修改量的综合实施权的修改连续变化的环境，它将变成无效的,2022/11/16,101,几个问题的讨论,步长问题 BP网络的收敛是基于无穷小的权修改量步长太小，收敛就非常慢步长太大，可能会导致网络的瘫痪和不稳定自适应步长，使得权修改量能随着网络的训练而不断变化。1988年，Wasserman,