1樓：檀君博
收斂和迭代演算法有關。
反向傳播演算法是定義乙個誤差er（往往是輸出結果與預想結果之間的某個範數），然後求出滿足誤差極小的權向量。如果把誤差看成乙個連續函式（泛函）的話，求對權向量各分量的偏導為0即可，但是實際上它是離散的，所以我們需要用迭代來求最小梯度。
如果是新定義演算法的話理論上的收斂要證明，可以證明它在迭代次數趨近無窮的時候等於某一解，也可以證明它滿足李普希茲條件（就是帶有完備範數和李普希茲常數的那個），這種情形下我們叫做收斂，要是用已有演算法或者乾脆就是bp演算法的時候不需要你證明。理論上不收斂的情況是這樣，當迭代次數趨近無窮的時候，權向量的解不唯一。
實際上的收斂是這樣，給定乙個最大迭代次數n，乙個誤差限erl，反向傳播演算法應該很容易找，我不往上寫了，每一步權值修正都會使er減小，直觀的看就是權向量的分量沿著梯度減小的方向在前進，雖然理論上樣本足夠大並且n趨於無窮的時候會收斂，但是實際上有可能出現當迭代到第n次，誤差er依然大於誤差限erl的情況，也就是說我們沒有解出來滿足要求的權向量，所以網路訓練失敗，叫做不收斂。當然，也可以使用梯度限來作為迭代終止的條件，這種情況下不收斂就是梯度在迭代了n次以後沒有小於某一值，從而沒有求出滿足要求的權向量；收斂就是求出了滿足梯度限的權向量。
2樓：匿名使用者
神經網路收斂有收斂結果和收斂性兩種
收斂結果就是經過神經網路計算後產生的結果 一般來說是 1 或者 0
收斂性可以理解經過神經網路計算後能不能產生1 或 0 或者 產生1 或 0 的概率是多少 用概率來衡量神經網路的收斂性
bp神經網路收斂問題
3樓：匿名使用者
當然是越慢。因為bai已經接近最低du點，訓練也進入誤
zhi差曲面的平dao坦區，每次搜內索的誤差下降速度是容減慢的。這一點可以在bp神經網路的誤差調整公式上看出。
事實上收斂速度逐漸減慢，這是正常的，如果一定要避免這種情況，可以自適應改變學習率。
由於傳統bp演算法的學習速率是固定的，因此網路的收斂速度慢，需要較長的訓練時間。對於一些複雜問題，bp演算法需要的訓練時間可能非常長，這主要是由於學習速率太小造成的，可採用變化的學習速率或自適應的學習速率加以改進。
bp演算法可以使權值收斂到某個值，但並不保證其為誤差平面的全域性最小值，這是因為採用梯度下降法可能產生乙個區域性最小值。對於這個問題，可以採用附加動量法來解決。
bp神經網路的原理的bp什麼意思
4樓：匿名使用者
back propagation
bp (back propagation)神經網路，即誤差反傳誤差反向傳播演算法的學習過程，由資訊的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入資訊，並傳遞給中間層各神經元；中間層是內部資訊處理層，負責資訊變換，根據資訊變化能力的需求，中間層（隱含層）可以設計為單隱層或者多隱層結構；最後乙個隱層傳遞到輸出層各神經元的資訊，經進一步處理後，完成一次學習的正向傳播處理過程，由輸出層向外界輸出資訊處理結果。
神經網路很多種，bp神經網路最常用。
matlab中建立bp神經網路的函式newff的引數的
1.newff雖然沒有規定輸入層神經元個數，那輸入層神經元個數是如何確定的？輸入層是根據你讀入資料的維度，自動生成的。2.我現在讀入了10張 把每張 歸一化成了50 20的，並轉換成1 1000的行向量，最後生成了10 1000的二維矩陣，然後，我再用eye 10,10 函式製造了一個單位矩陣，那麼...
BP神經網路的訓練集需要大樣本嗎？一般樣本個數為多少
這個沒有明確要求，樣本也不是越多越好。通常情況下，你的樣本可以一部分用來做驗證。加速你有100個樣本，90 用來做訓練，10 用來做驗證等，當然，有時候還得留下10 做測試用。我個人的經驗是，樣本數儘量在10以上吧。 這要看做什麼用了 只要訓練樣本的規律性很好的話那自然越多越好，如果不能滿足一致規律...
bp神經網路的演算法改進一共有多少種啊！麻煩舉例一下
1 引入動量項 2 變尺度法 3 變步長法 具體怎麼做，網上都有相關資料，公式比較難打，只能寫到這個份 改進點主要在以下幾個方面 1激勵函式的坡度 誤差曲面的平臺和不收斂現象 激勵函式中引入陡度因子，分段函式做激勵函式 2誤差曲面 誤差平方做目標函式，逼近速度慢，過擬合 標準誤差函式中加入懲罰項 資...