BP神经网络的结构

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

BP 神经网络的结构如图：

BP网络最常用传递函数为Sigmoid函数，Sigmoid函数有两种，Log-Sigmoid 和 Tan-Sigmoid ,

BP网络采用误差反向传播算法

相关学习资料：

【图文】BP神经网络详解-最好的版本_百度文库 

http://wenku.baidu.com/link?url=Q_sdYVe64ugdPruayP26kDKwmO n5D9wlJRqka24XcZyaCkKHqO x6ZjHb0tZwV7SyHZbljKLkRu HqfuIbMQmzPgPMQ5b2Cep8eG pJ4HpRhOG

【转】脉络清晰的BP神经网络讲解，赞 - 编程小翁 - 博客园 http://www.cnblogs.com/wengzilin/archive/2013/04/24/3041019.html

BP神经网络原理详解_能不能毕业_新浪博客 http://blog.sina.com.cn/s/blog_88f0497e0102v79c.html