ニューラル ネットワーク モデルは多くの分野で応用されており、生物のニューロン構造をシミュレートし、簡略化されたニューロン モデルであり、分散情報処理の数理モデルを実行できます。
バックグラウンド
ニューラル ネットワークはニューラル世界に分割されます。 1980 年代、Rumelhart と McCelland が率いる科学者は並列処理グループを設立し、有名なニューラル ネットワーク アルゴリズムを提案しました。
ニューラル ネットワークには、生物学的ニューラル ネットワークと人工ニューラル ネットワークが含まれます。BP ニューロン構造では、次の図に示すように、ニューロンは生物のニューロン構造を模倣します。これは生物のニューロン構造です (図はネットワークから取得したものです)。
基本構造
BPニューラルネットワークは3層以上の多層ニューラルネットワークであり、各層は複数のニューロンで構成されています。入力層の数が 3 で、出力層の数が 2 であると仮定すると、基本的な回路図は次の図に示されます。
出力層の数が l、隠れ層の数が m、出力層の数が n (隠れ層の h 番目のニューロンの出力) であるとします。が入力層の j 番目のニューロンと隠れ層の h 番目のニューロンの間の接続重みである場合、j 番目のニューロンの入力式は次のようになります。
ニューロン活性化機能
BP ニューラル ネットワークでは、伝達関数として線形関数または S 型関数が一般的に使用されますが、S 関数はログ シグモイド関数とタン シグモイド関数に分けられます。
(1) シグモイド関数
シグモイド関数は単極 S 字曲線に分割でき、単極 S 字曲線の関数式は次のとおりであるため、シグモイドとその導関数は連続です。
MATLAB を使用して f(x) のイメージをシミュレートする手順は次のとおりです。
双極性 S 型の関数式は次のとおりです。
上記の式をイメージすると次のようになります。
Tan 符号付き関数と比較すると、シグモイド関数は線形関数よりも誤差許容度が高く、線形精度が高くなります。
BPニューラルネットワークアルゴリズムの全体フレームワーク
BP ニューロン ネットワークの全体的な枠組みとその各部分の機能は次のとおりです。
順伝播 | 予測結果を取得する |
誤差逆伝播法 | wとbの逆転送 |
テストモデル | 計算精度 |
BP ニューラル ネットワーク アルゴリズムは、学習にバックプロパゲーション アルゴリズムを使用します。データは層ごとに逆方向に送信されます。入力層の観点から見ると、プロセス全体がエラー削減の方向に沿って実行されます。演算プロセス中に、ネットワークの接続重みが継続的に前方修正され、最終的にエラーが減少します。最小限に抑えられます。