V
主页
ANN第28讲:BP算法——标准BP算法的改进
发布人
BP算法用于具有非线性转移函数的三层前馈网,理论上可以以任意精度逼近任何非线性函数,这一非凡优势使BP网络得到越来越广泛应用。然而标准的BP算法在应用中暴露出不 少内在的缺陷: ⑴ 易形成局部极小而得不到全局最优; ⑵ 训练次数多使得学习效率低,收敛速度慢; ⑶ 隐节点的选取缺乏理论指导; ⑷ 训练时学习新样本有遗忘旧样本的趋势。 针对上述问题,国内外已提出不少有效的改进算法,本视频介绍其中3种较常用的方法。
打开封面
下载高清视频
观看高清视频
视频下载器
ANN第25讲:BP算法——程序实现
ANN第24讲:BP算——算法思路小结
ANN第23讲:BP算法——权值调整式中的误差信号如何计算?
ANN第31讲:BP网络设计基础——网络训练与测试
ANN第26讲:BP算法——多层感知器的能力.mp4
ANN第19讲:单层感知器——学习算法
ANN第29讲:BP网络设计基础——如何准备训练样本集?
ANN第27讲:BP算法——从误差曲面的特点看BP算法的局限性
ANN第3讲:绪论——什么是ANN?基本特点和基本功能
ANN第22讲:BP算法——网络误差定义与权值调整思路
ANN第35讲:自组织竞争网络算法基础——胜者为王学习算法
ANN第32讲:习题课(上)——单层感知器
ANN第20讲:单层感知器——从单层的局限性看多层的突破——如何用多层感知器解决“异或”问题
ANN第30讲:BP网络设计基础——样本归一化
ANN第17讲:单层感知器——模型
ANN第21讲:BP算法——基于BP的多层前馈网络模型
ANN第33讲:习题课(下)——多层感知器设计例题
第43节:自适应共振理论网络(ART)——ART I 型网络运行原理
第38讲:自组织特征映射网络(SOFM)——Kohonen学习算法
ANN第10讲:人工神经元模型——神经元的数学模型(上)
第46节:反馈型神经网络(Hopfield)——结构与工作方式
ANN第9讲:人工神经元模型——神经元的M-P模型
ANN第11讲:人工神经元模型——神经元的数学模型(下)
ANN第18讲:单层感知器——功能(单层感知器能干什么?)
第39讲:自组织特征映射网络(SOFM)——主要功能与算法流程
ANN第37讲:自组织特征映射网络(SOFM)——理论基础与运行原理
ANN第15讲:ANN 的学习方式(上)
ANN第36讲:通过两个例子体会胜者为王权值调整的几何意义
ANN第16讲:ANN 的学习方式(下)
第41课:自组织特征映射网络(SOFM)——剖析几个应用案例(下)
第52节:反馈型神经网络(Hopfield)——网络的权值设计
ANN第34讲:自组织竞争网络预备知识
第47节:反馈型神经网络(Hopfield)——稳定性
ANN第5讲:生物神经元的信息处理——如何产生信息?
ANN第8讲:生物神经元的信息处理——生物神经网络的能力是生物神经元的能力之和吗?
ANN第1讲:绪论——人脑与电脑各自擅长那种思维方式?
ANN第12讲:人工神经元模型——神经元的转移函数(变换函数、输出函数)
第49节:反馈型神经网络(Hopfield)——吸引子定理与能量函数的概念
第53节:反馈型神经网络(Hopfield)——网络的信息存储容量
ANN第14讲:人工神经元互相连接成网络后长什么样?初识几种ANN