BP神经网络算法

具有三层或三层以上的阶层型神经网络。简单的至少有三层，输入曾、输出层、隐含层（中间层）。其学习的过程是一种有监督式机器学习，首先需要对每一种输入模式设定一个期望输出值，对网络输入实际的学习记忆模式，并由输入层经过中间层向输出层传播（“模式顺传播”），而实际输出与期望输出的差即是误差。按照误差平方最小的规则，由输出层往中间层逐层修正连接权值，其过程为（“误差逆传播”）。随着“模式顺传播”和“误差逆传播”过程的交替反复进行，神经网络的实际输出逐渐向个字对应的期望输出逼近，对输入模式的响应正确率也不断地上升。在此过程中，反复确定下来各层之间的连接权值之后就可以过做了。

BP神经网络通常采用梯度法修正权值，并要求输出函数可微分，通常采用S型函数（也叫Sigmoid型函数）作为输出函数，比如对数S型函数：

y=f(x)=1/(1+e^-x)

S型函数作为输出函数是由于其具有非线性，单调性，无限次可微性等特点。

BP神经网络结构图

步骤：

1、分别确定输入层节点数、输出层节点数、隐含层层数以及节点数、初始化权重、期望误差、学习率、最大学习次数、初始化迭代次数、学习实例序号初始值；

2、取第k个学习实例（X,Y）进行正向传播，得出各个节点的输入值以及输出值，计算出输出层各个节点的输出误差;

3、对于N个节点，假如输出层每个节点的误差值都<=期望误差，或者是迭代次数达到最大迭代次数，那么学习结束。

4、进行误差反向计算，根据公式得出每次权重调整量，根据权值调整公式进行权值调整；

5、进行下一轮迭代，计算下一个实例，如果实例全部计算完成，那么重新头开始计算实例，转到步骤2继续迭代。