BP神经网络的数学本质
原创文章,转载请说明来自《老饼讲解-BP神经网络》:bp.bbbdata.com
目录
一、 隐神经元与tansig函数
二 、BP本质
三、BP神经网络的曲线拟合要素
(一) 误差函数
(二) 拟合基函数
(三) 待解参数与求解算法
四、对BP神经网络的新认知
(一)关于神经元个数的作用
(二) 关于神经元层数的设置
(三) 关于神经元激活函数的选择
五、从本质得到的应用经验
1.隐神经元个数
2.一般不能预测历史数据[xmin,xmax]以外的数据
3.应避免训练数据中含有太多的输入空缺
4.BP神经网络解决哪类问题
六、BP神经网络的白箱与黑箱
对于一些新手,总喜欢把神经网络当成一个黑箱,从业务角度来说,神经网络确实是一个黑箱,但从数学角度来说,神经网络却绝不是一个黑箱。
本文从曲线拟合角度讲解神经网络隐神经元的数学本质。进一步简化对神经网络的理解。
一、 隐神经元与tansig函数
从BP神经网络(这里默认只有一个隐层)的数学表达式
我们可以看出,它实际是由多个tansig函数进行叠加而成。
我们再看tansig是一个什么样的函数:
从图可知,tansig是一个y在(-1,1)之间的S曲线,
其中,
(1) 曲线部分在大概在[-3,3]之间,在x=[-3,3]之外,值基本趋向了-1和1,
(2) 斜线部分在 [-1.7 ,1.7] 之间(之后初始化会利用到这部分特性)。
二 、BP本质
结合数学表达式与tansig的图形特性,可知,BP神经网络的数学本质,就是用多个S曲线叠加去拟合目标数据点。
参数的作用:
tansig 内的 w,则控制了tansig曲线的肥瘦,
tansig外的w,则调节了tansig曲线的高矮。
b则用于平移tansig在x轴的位置。
通过调节内外w、b,可以将tansig作如下的调整:
最后,叠加高矮肥瘦位置不一的tansig,就可以捏造出不一样的曲线:
灰色的为三个tansig:
(1) 1.185*tansig(-0.84574*x1+2.3697)
(2) -1.5761*tansig(-0.67661*x1+0.0063973)
(3) 1.1424*tansig(-0.86965*x1-2.4206)
蓝色的为三个tansig之和。
所以,我们使用BP神经网络的本质就是,已知数据点,现求n个tansig函数,使其叠加后能拟合任意数据点。
三、BP神经网络的曲线拟合要素
因此,我们完全可以把BP神经网络看成一个曲线拟合的算法。
基于对曲线拟合一般算法的理解,曲线拟合有几大要素:拟合误差函数、拟合基函数、拟合函数待解参数。
从曲线拟合角度学习神经网络,我们仅需把它三大要素了解清楚,即可掌握神经网络。
(一) 误差函数
一般仍沿用均方差:
其中,y是神经网络的预测值(即(1)式),y0 是原始数据 y 值
(二) 拟合基函数
用的就是tansig. 为什么用tansig?
(1) 拥有局部非线性。
(2) tansig的导数的值,可用自身简易表示出来:让网络求解时的计算更简单。
(三) 待解参数与求解算法
w,b为待解参数。以误差函数作为引导,对wb进行求解。
理论是令误差函数偏导为0(如线性函数拟合般),求解即可。
但实际上,E的偏导是一个非线性函数,多个非线性等式求解我们解决不了,因此此法行不通。无法求得精确解。
由于无法求得精确解,我们更多时候只能是寻找一个优秀解。
一般的方法是,先设置一个初始解,再逐步调整,使目标函数E逐步下降。
这样的算法很多,对神经网络大家通常用的有两种:
(1)梯度下降法
(2)L-M算法
平时所说的神经网络训练,就是寻解过程。
四、对BP神经网络的新认知
从曲线拟合角度认知BP神经网络后,我们可以更好的解答一些问题,和得到更深入的认知。
(一)关于神经元个数的作用
参考《曲线拟合的四要素》里第三部分《曲线过拟合与泛化能力》,我们可知:
越复杂(跌宕起伏,极值点多)的函数,我们就需要越多的tansig函数(隐神经元)去拟合。
越简单的(平滑,极值点少)的函数,我们就尽量用更少的tansig函数(隐神经元),以避免过拟合。
(二) 关于神经元层数的设置
为什么只设一个隐层就够?
(1)多层没有质的改变:
多层的本质,就是用多个
去拟合函数。而事实上,和用单个tansig去拟合并没有本质区别,基函数不一样罢了。
(2)单隐层已满足需求:
已有证明,不管什么曲线,我们只要一个层隐,虽然只有一个隐层, 但不管曲线多复杂,我们都能通过增加tansig个数去将它拟合,
因此,我们设一隐层就够了。
不禁有人要问,深度学习不是用多层吗?彼多层非此多层。请看《 为什么需要多层网络 》
所以,传统BP一般只用一个隐层。要拟合的对象越平滑,就用越少节点。以防过拟合。
(三) 关于神经元激活函数的选择
一般我们都使用tansig函数作为激活函数(基函数)。也可切换为logsig,或其它函数,
但本质都是用这些激活函数去拟合曲线。
如果别的激活函数在理论上没有更好的优势,那就直接使用tansig函数。
五、从本质得到的应用经验
1.隐神经元个数
神经元个数决定了最终拟合曲线的跌宕程度上限,神经元的个数设置应参考拟合的目标曲线的跌宕程度。如非必要,用尽量少的神经元。
2.一般不能预测历史数据[xmin,xmax]以外的数据
曲线拟合仅对 拟合数据(历史数据)[xmin,xmax]范围内的形态进行拟合,对于范围外的,一般来说会迅速失去预测效果。
3.应避免训练数据中含有太多的输入空缺
训练数据的输入最好尽可能的全面,
例如 x = [ 1,2,10,11],y=[1,4,100,121],那么,在2-10就是一个极大的空缺了,在拟合曲线在这部分作出任意预测值都不会有惩罚,
因此,可以人为引导网络在这部分不要作出太奇葩的预测值,例如,在训练数据中人为加入空白处的中间值[(10-2)/2,(100+4)/2]。
4.BP神经网络解决哪类问题
解决任何本质是曲线拟合问题的问题(即规则拟合)。且输入个数不能过多,尽量在100个以内。
备注:分类问题可以转化为多输出的曲线拟合问题
六、BP神经网络的白箱与黑箱
1.业务黑箱与数学白箱
神经网络是黑箱的,仅是从业务角度来说, 对业务的不可解释性。但从数学角度来说,它却不是黑箱的,是一个白箱,是透明的。
2.建模师应如何利用数学白箱
虽然整个网络最终拟合出来的规则,是复杂与千变万化,难以把控的,但每个tansig的形态,却是单纯的。因此,建模师可以通过分析每个神经元(tansig)的w,b,来判断该神经元的作用,与网络的构成。
到此,本文结束,如果你觉得有帮助,请点个赞哦~!
相关文章
《BP神经网络梯度推导》
《BP神经网络提取的数学表达式》
《一个BP的完整建模流程》
BP神经网络的数学本质相关推荐
- BP神经网络的线性本质的理解和剖析-卷积小白的随机世界
https://www.toutiao.com/a6674387399058915852/ 在完成上篇(第三十一篇)感知机的理解文章后,本想开始梳理SVM(支持向量机),不想感知机也是深度学习神经网络 ...
- BP神经网络的数学原理及其算法实现
说明: 1.本文以截图形式转载自http://blog.csdn.net/zhongkejingwang/article/details/44514073 2.转载供个人学习研究,对部分内容做出个人笔 ...
- BP神经网络的数学表达式
<老饼讲解神经网络>http://bp.bbbdata.com/teach#13 目录 一. 模型结构 二. 模型结构设置 1.神经层数 2. 隐层神经元个数 3. 传递函数 三. 模型的 ...
- BP神经网络原理详解
从神经网络的生物模型说起 我们知道人大脑信息的传递.对外界刺激产生反应都由神经元控制的,人脑就是由上百亿个的这样神经元构成.这些神经元之间并不孤立而且联系很密切,每个神经元平均与几千个神经元相连接,因 ...
- 菜鸟的BP神经网络入门
说明 本人在数学建模的时候接触过一点关于神经网络入门的知识,这是自己曾经做过的一个关于神经网络入门的的ppt,该ppt主要有3部分,神经网络入门.bp神经网络的数学原理以及bp神经网络案例.耐心看完保 ...
- 数学建模算法与应用【BP神经网络算法】
评价预测和分类问题可以用到神经网络.卷积神经网络适合大样本的情况,深度学习包括很多种网络,如卷积神经网络,对抗网络等,深度学习大小样本皆可. 人工神经网络ANN 在机器学习和认知科学领域,人工神经网络 ...
- 菜鸟的数学建模之路(四):BP神经网络
个人理解 BP神经网络属于人工智能范畴,在我看来它更多的是一个用于预测的工具,尽管它的用处还不仅于此.在数学建模上,很多时候,题目提供了很多历史数据,我经常用这些历史数据,用BP神经网络训练它,利用训 ...
- 备战数学建模45-粒子群算法优化BP神经网络(攻坚站10)
BP神经网络主要用于预测和分类,对于大样本的数据,BP神经网络的预测效果较佳,BP神经网络包括输入层.输出层和隐含层三层,通过划分训练集和测试集可以完成模型的训练和预测,由于其简单的结构,可调整的参数 ...
- (三)【数学建模】Matlab BP神经网络
[数学建模] 文章目录 Matlab BP神经网络 Matlab BP神经网络 归一化算法: (0,1): y=(x−min)/(max−min)y=(x-min)/(max-min)y=(x−min ...
最新文章
- python有什么用处案例_用实例解释Python中的继承和多态的概念
- ucache来广营(望京)机房
- 理解LSTM 网络Understanding LSTM Networks
- SAP UI5 应用开发教程之二十三 - 列表控件的排序 Sort 和分组 Group
- PDA 收银系统PDA手持打印扫描枪 销售开单 收银 扫描打印一体机
- dwg格式的计算机图,看图纸(DWG文件浏览器)
- android版 暴风影音,Android版暴风影音 掌上的3D影院
- Docker学习总结(45)——Docker在沪江落地的实践
- Hadoop 3.1.0 单机版伪分布式的搭建
- 基于matlab测量物体直径,基于MATLAB的不规则面积图像测量
- c语言互质欧拉函数,互质与欧拉函数
- SpringCloud-Gateway Feign
- 计算机网络:从物理层到应用层的五层模型
- 分布式计算框架MapReduce架构
- 解题笔记(39)——过河问题
- 城市交通大脑的内涵与顶层设计
- 线性代数二次型标准化的方法总结
- android开发-验证邮箱输入是否合法
- 【NLP】关键词共现/属性共现矩阵
- Qt之应用部署(Windows)