bp神经网络函数逼近论文

《bp神经网络函数逼近论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、BP神经网络函数逼近论文本科毕业论文（设计）题目指数型（对数型）函数的改进BP神经网络逼近学院数学与统计学院专业数学与应用数学年级学号姓名陈曦指导教师成绩2012年4月16日目录第一章引言.....................................................11．背景介绍................................................12.BP神经网络介绍..........................................12.1BP网络模型...............................

2、..........12.2BP网络的主要能力：.................................22.3BP学习算法.........................................32.3.1信号的正向传播...............................................................................32.3.2BP学习算法的误差反向传播与权值阈值更新增量..............32.3.3网络权值阈值跟新公式......................................

3、...........................42．4BP网络的局限......................................52.4.1局部极小点....................................................................................52.4.2学习/收敛速度慢.........................................................................62.5标准BP算法的改进.........................

4、..........62.5.1增加动量项的BP学习算法......................................................62.5.2可变学习率的BP算法...............................................................72.5.3弹性BP学习算法.........................................................................72.5.4LM算法......................................

5、.....................................................8第二章指数（对数）函数的神经网络逼近.........................93.指数（对数）函数逼近区间的确定..........................94.BP网络设计基础..........................................94.1输入输出量的选择....................................94.2隐含层节点数设计....................................94.3改进

6、的BP算法......................................105．BP神经网络逼近对指数（对数）函数.......................105.1传统BP神经网络逼近一元指数和对数函数..............105.2利用改进的BP神经网络逼近指数函数和对数函数........135.2.1利用改进的BP神经网络逼近一元和二元指数函数.......135.2.2利用改进的BP神经网络逼近一元和二元对数函数.......16第三章总结与展望............................................19参考文献....

7、...................................................20致谢...........................................................20指数型（对数型）函数的改进BP神经网络逼近陈曦西南大学数学与统计学院，重庆400715摘要：BP（Back-Propagation）网络的职能是对非线性可微分函数进行权值训练，是一种多层前馈网络，它采用最小均方差的学