文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 高等教育 > 工学 > 基于LabWindowsCVI的人工神经网络BP算法的实现
侵权投诉

基于LabWindowsCVI的人工神经网络BP算法的实现

关于labwindows的论文

E=

2

P-1

∑(y

p=0

s

[p]-yf[p])

2

=

5u1[i]

=

x[M]

212 误差信号反向传播过程

(1)隐含层与输出层之间的权值修正量

BP算法中权值的修正量与误差对权值的偏微分成正

设局部梯度:

1[i]=-因为:

u1[i]

v[i]u1[i]

比,即:

w2[i][p]∞

因为:

=

w2[i][p]yf[p]u2[p]w2[i][p]

又:

=Ε,  =-1yf[p]

(u2[p]),=f′v]

u2[p]p]

则:

w2[i][p]

设局部梯度:

2[p]=-5u2[p](u2[p])Ε=f′

w2[i][p]

(u1[i])=f′

u1[i]

v[i]又:

u]u2[p]),P-1

=

∑Ε v[i]=∑Ε u

P=0

P=0

P-1

2

[p]

v[i]

2[i][p]v[i]P-1

=-

(u∑Ε f′

P=0

P-1

2

[p]) w2[i][p]

(u2[p])v[i]=-Εf′

(u1[i]) ∑Ε f′(u2[p]) w2[i][p]   1[i]=f′

P=0

=

P-1

(1-v[i]) ∑ 2[p] w2[i][p]

2

P=0

  可见,梯度的大小与输出误差Ε、激活函数的导数

(u2[p])成比例。f′在反向传播过程中,输出误差Ε和激活(u2[p])还会以误差传递因子的形式逐层反函数的导数f′

同样:

w1[m][i]=-Γ

w1[m][i]

=Γ 1[i]x[m]

向传播到输入层。显然,误差传递因子越大,相应的权值

改变量也越大,即误差传递因子对收敛速度有影响。又

(x)=f′-Α(1+e

-Βx

3 在LabWindows CVI环境下BP算法的实现311 BP训练算法的描述

(1)初始化,产生随机的权向量(较小的随机非零

Βx

)2

=

Α

(1-f(x))

2

(x)的值与当前输出的误差大小没有关  可以看出,f′

值),设定步长Γ,参数Α,Β,a,b,设定结束条件。

(2)对当前输入,前向计算隐含层和输出层的输入、

系。一般来说,希望学习速率与系统的输出误差相关,在误

差较大的早期学习过程中,学习算法应采用比较大的学习速率以加快训练的收敛,而在误差较小的后期学习过程中,算法最好采用比较小的学习速率以避免网络的不稳

(x)却不随误差的变化而改变,故不能满足这一要定。f′求。于是选择误差能量总和E作为自变量,用f(x)形式的(x)作为误差传递因子,则可以满足上述要函数来代替f′

求。新的误差传递因子可以表示为:

(x)=a+f(bE)F′

输出。

(3)由期望输出ys[p]和上一步求得的实际输出

yf[p]计算误差能量总和E。

(4)按下式计算权值修正量 w,并修正权值,n=

n+1。

w2[i][p](n+1)=w2[i][p](n)+ w2[i][p](n)w1[m][i](n+1)=w1[m][i](n)+ w1[m][i](n)

  (5)判断结束条件,若满足要求则转至第6步,否则转至第2步。

(6)记录权值,学习结束。

即:

2[p]=(a+f(bE))Ε

根据Delta学习规则,w2[i][p]的修正量为:

w2[i][p]=-Γ

w2[i][p]

=Γ 2[p]v[i]

网络训练算法的流程图如图1所示。

312 在LabWindows CVI环境下BP学习算法的关

键步骤的实现

  voidfeedback(double3xs,double3ys)

{

doubleyf[2],E=1;

intcycle=0;intm,i,p;

doubled2[2],d1[3];

式中,Γ为学习步长。

(2)输入层与隐含层之间的权值修正量

5w1[m][i]

22

=

5u1[i]5w1[m][i]

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email