1701011473
1701011474
1701011475
1701011476
图10-7 BP神经网络拓扑结构图
1701011477
1701011478
从图10-7可看出，BP神经网络每一个输入量经过每一个隐藏层，在相应的权值和阈值的作用下放大，隐藏层经过一定的加权后给输出层；BP神经网络具有记忆和学习功能。
1701011479
1701011480
【问题】BP神经网络如何进行数据的预测？
1701011481
1701011482
【分析】
1701011483
1701011484
BP神经网络的具体步骤和流程如下。
1701011485
1701011486
1701011487
1701011488
Step 1：初始化给各连接权值及阈值赋予［-1，＋1］之间的随机值。
1701011489
1701011490
1701011491
1701011492
Step 2：随机选取一模式对，提供给网络。
1701011493
1701011494
1701011495
1701011496
1701011497
1701011498
1701011499
1701011500
Step3：用输入模式、连接权值和阈值计算中间层各单元的输入；然后用通过s函数计算中间层各单元的输出。
1701011501
1701011502
1701011503
1701011504
1701011505
1701011506
1701011507
1701011508
Step 4：用中间层的输出、连接权值和阈值计算输出层各单元的输入，然后用通过s函数计算输出层各单元的响应。
1701011509
1701011510
1701011511
1701011512
1701011513
Step 5：用希望输出模式、网络实际输出，计算输出层的各单元的一般化误差。
1701011514
1701011515
1701011516
1701011517
1701011518
1701011519
Step 6：用连接权值、输出层的一般化误差、中间层的输出计算中间层各单元的一般化误差。
1701011520
1701011521
1701011522