(资料图片仅供参考)
1、Sigmoid函数,即f(x)=1/(1+e-x)。
2、神经元的非线性作用函数。
3、人工神经网络的学习算法-BP算法神经网络的学习是基于一组样本进行的,它包括输入和输出(这里用期望输出表示),输入和输出有多少个分量就有多少个输入和输出神经元与之对应。
4、最初神经网络的权值(Weight)和阈值(Threshold)是任意给定的,学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致。
5、我们假设样本有P个,输入层有N个神经元,隐含层有K个神经元,输出层有M个神经元。
6、Xj为输入层神经元j的输入,Hj为隐含层神经元j的输出,Fj为输出层神经元j的实际输出,Rj为输出层神经元j的期望输出,前一层的输出即为后一层的输入。
7、Whji是输入层神经元i与隐含层神经元j之间的连接权值,Thj是隐含神经元j的阈值,Woji是隐含层神经元i与输出层神经元j之间的连接权值,Toj是输出神经元j的阈值。
8、神经元的非线性作用函数是Sigmoid函数,即f(x)=1/(1+e-x)。
本文就为大家分享到这里,希望小伙伴们会喜欢。
标签: