BP算法

一，定义误差逆传播算法（backpropagation BP算法）是迄今最成功的的神经网络算法。显示任务中使用神经网络时，大多是在使用BP算法进行训练。不仅适用于多层前馈神经网络，还可以用于其他类型的神经网络，训练递归。二，模型Ø 网络模型如下图的单隐层神经网络，输出层有d个神经元，一个q个神经元组成的隐层，L个神经元组成的1个输出层，其中，隐层和输出层神经元都使用Sigmoid函数。 

Ø 训练数据训练集D={(x1,y1),(x2,y2),,,(xm,ym)}，输入示例由d个属性描述，输出l维实值向量。三，BP算法3.1，标准BP算法BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。 1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层 　　注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程） 2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层 。其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。 
l 前向传播
 


l 误差函数
 


l 后向传播
BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整。
 


注意，BP算法的目标是最小化训练集D上的累积误差：
,

3.2，累积误差逆传递算法BP上面算法的更新规则是基于单个的EK推导而得，类似的推导出基于累积误差最小化的更新规则，即就是累积误差逆传递算法。与标准的BP算法每次更新只针对单个样例，参数更新的非常频繁，往往需进行更多次迭代。但是累积BP算法直接针对累积误差最小化，它在读取整个训练集D一遍后才对参数进行更新，其参数更新频率低，但是在很多任务中，累积误差下降到一定程度后，进一步下降变得很缓慢。这时标准BP会更好，尤其D非常大时。四，bp算法实现步骤
1）初始化 
2）输入训练样本对，计算各层输出 
3）计算网络输出误差 
4）计算各层误差信号 5）调整各层权值 6）检查网络总误差是否达到精度要求。满足，则训练结束；不满足，则返回步骤2） 四，bp算法局限和解决方法1）BP神经网络经常遭遇过拟合。解决方法如下：l 早停；l 加入正则化惩罚项； 

说明： 1. 神经网络的目的是从大量的数据中寻求特征，以对新的数据进行预测。也就是说，我们在训练神经网络的时候，应该尽量调整网络参数，使得网络在输入数据下的输出值与实际样本值尽可能接近，而为满足这样条件的最直观的手段是使两者的距离最小。也就是上面代价函数的表示形式。
    2. 上面代价函数的最右边一项我们称为正则化，它是为了防止网络过拟合。2）BP算法易形成局部极小（属贪婪算法，局部最优)而得不到全局最优。以目标的负梯度方向对参数进行调整，在局部最小点处，梯度为零，此时可能求不到全局极小点。解决方法如下：l 多组不同参数值初始化多个神经网络，按照标准方法训练后，取其中误差最小解作为最终参数。l 模拟退火，在每一步都以一定概率接受比当前解更差的结果。l 随机梯度下降，使得计算梯度时加入随机因素，在局部最小点处，梯度仍可能不为零。3）训练次数多使得学习效率低下，收敛速度慢（需做大量运算）； 4）隐节点的选取缺乏理论支持； 5）训练时学习新样本有遗忘旧样本趋势。注3：改进算法—增加动量项、自适应调整学习速率（这个似乎不错)及引入陡度因子。五，一个实例理解BP
 






通过带*的权重值重新计算误差，发现误差为0.18，比老误差0.19小，则继续迭代，得神经元的计算结果更加逼近目标值0.5。六，bp主要应用 
回归预测（可以进行拟合，数据处理分析，事物预测，控制等）、 分类识别（进行类型划分，模式识别等）。七，BP算法资料参考
http://blog.csdn.net/appleml/article/details/48623303