5多层前馈网络及BP算法多层前馈网络的反向传播（BP）学习算法，简称BP算法，是有导师的学习，它是梯度下降法在多层前馈网中的应用。（a）网络结构见下图，u、y是网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层，也可多层（图中是单隐层），前层至后层节点通过权联接。由于用BP学习算法，所以常称BP神经网络。输入层隐层输出层X：每个神经元（节点）的输入；y：每个神经元（节点）的输出；：神经元的第j个输入。wij:神经元j到神经元i的连接权节点的作用函数：歹=/（兀为阈值（可设置一个偏置节点代替）1f可为线性函数，一般取为Sigmoid函数+e_x/匕，匕为很小的数，如0.1b）BP学习算法 已知网络的输入/输出样本，即导师信号。BP学习算法由正向传播和反向传播组成： 正向传播是输入信号从输入层经隐层，传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。 反向传播是将误差（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节点的权值和阈
