1BP神经网络简介图1BP神经网络结构图BP(BackPropagation)神经网络是目前人工神经网络中研究最深入、应用最为广泛的一种模型,其结构如图l所示。图中,x、z是网络的输入、输出向量,每一神经元用一个节点表示,网络由输入层、隐层和输出层节点组成,隐层可以是一层,也可以是多层(图中是单隐层),前层至后层节点之间通过权系数相联结。BP神经网络学习时,输入信号从输入层经隐层传向输出层(正向传播),若输出层得到期望的输出,则学习算法结束:否则,转至反向传播。反向传播就是将误差信号(样本输出与网络输出之差)按原联接通路反向计算,由梯度下降法调整各层神经元的权值,使误差信号减小。以下是各层权值的具体过程(即BP学习算法):定义网络的输出误差E=!(d-0)2=-丈(d-o)2,将其依次展开至隐层22k/k=1和输入层,在使误差不断减小的原则下,应使权值的调整量与误差的负梯度成正比,即:AdEAwx,j=0,1,2,m;k=1,2,ljkdwjkQEAvx,i=1,2,n;j=1,2,mijQvij经推导可得到各