2.4 BP神经网络模型与学习算法概述pRumelhart，McClelland于1985年提出了BP网络的误差反向后传BP(Back Propagation)学习算法pBP算法基本原理 利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。 J. McClelland David Rumelhart 2.4.1 BP神经网络模型p三层BP网络2.4.1 BP神经网络模型p激活函数必须处处可导 一般都使用S型函数 p使用S型激活函数时BP网络输入与输出关系输入输出2.4.1 BP神经网络模型输出的导数 根据S型激活函数的图形可知,对神经网络进行训练，应该将net的值尽量控制在收敛比较快的范围内 2.4.2 BP网络的标准学习算法p学习的过程：神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。p学习的本质：对各连接权值的动态调整p学习规则：权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。2.4.2 BP网络的标准学习算法-算法思想p学习的
