乳化机诊断人工神经网络6、权值调整

乳化机诊断人工神经网络6、权值调整

输入层第i 个节点的输入为

图3.7 BP 神经网络结构图

neti  = ∑xi  +θi

i=1

式中xi(i= 1, 2,…, M) 为神经网络的输入，θi为第i个节点的阈值。对应的输出为

（3.12）

a  = f (net)=1=1

（3.13）

1+exp(−neti )

1+ exp(−∑xi −θi )

i=1

在BP 网络学习中，非线性的学习主要由隐含层和输出层来完成。一般令：

ai   = xi

（3.14）

隐含层的第j 个节点的输入为

netj=∑wijai+θj j=1

式中，wij 、θj 分别为隐含层的权值和第j 个节点的阈值。对应的输出为

（3.15）

a  = f (net)=1=1

（3.16）

jj1+exp(−net)

1+exp(−∑wijai −θj )

j =1

输出层第k 个节点的输入为

netk = ∑wjk a j +θk

k =1

式中，wjk 、θk 分别为输出层的权值和第k 个节点的阈值。对应的输出为

（3.17）

y  = f (net)=1=1

（3.18）

kk1+exp(−net)

1+ exp(−∑wjk a j −θk )

k =1

定义每一样本p 的输入模式对应的二次型误差函数为

1L2

Ep=∑(ypk −apk)

k =1

（3.19）

则系统的总误差函数为

P1 PL2

E=∑Ep =2∑∑(ypk−apk)

（3.20）

p=1p=1  k=1

式（3.20）中，P 为L 样本模式对数，L 为网络输出节点数。