反向傳播網路(back propagation network，簡稱BP網路）一種神經元網路。基於神經元網路進行機器學習(機器獲取新知識和新技能，並識別現有知識)的一種方法。
基本介紹
- 中文名：反向傳播網路
- 外文名：Backpropagation network
- 簡稱：BP網路
BP網路原理,BP學習規則,BP網路主要套用,
BP網路原理
BP網路是一種前饋式神經元網路，這種網路是1985年提出.在這種網路中，有兩種信號在流動:一是工作信號，它是施加輸入信號後向前傳播，直到在輸出端產生實際輸出的信號，是輸人和權值的函式;二是誤差信號，網路實際輸出與理論輸出間的差值即為誤差，它由輸出端開始，逐層向後傳播.設在第n次疊代中輸出端的第j個單元的輸出為
，則該單元的誤差信號為
，定義單元 j 的平方誤差為
。輸出端總的平方誤差的瞬時值為：
式中氛v為學習的目標函式，學習的目的是使
達最小。BP網路是當前套用最廣的一種網路，比如它已在圖像識別、邊緣檢測、模式記憶、異或問題、對稱性判別和T-C匹配等方面得到套用.但它也有缺點，即訓練時間長，易陷入局部最小.
BP學習規則
BP算法是一種監督式的學習算法。其學習的目的是用網路的實際輸出與目標矢量之間的誤差修改其權值，使輸出A與期望的T儘可能地接近，即使網路輸出層的誤差平方和達到最小。它是通過連續不斷地在相對於誤差函式斜率下降的方向上計算網路權值和偏差的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網路誤差的影響成正比，並以反向傳播的方式傳遞到每一層。
BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播在正向傳播過程中，輸入信息從輸入經隱含層逐層計算傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層沒有得到期望的輸出，則計算輸出層的誤量變化值，然後轉向反向傳播，通過網路將誤差信號沿原來的連線通路反傳回來修改各層神經元的權值直至達到期望目標。
BP網路主要套用
1)函式逼近：用輸入矢量和相應的輸出矢量訓練一個網路逼近一個函式；
2)模式識別：用用一個特定的輸出矢量將它與輸入矢量聯繫起來
3)分類：把輸入矢量以所定義的合適方式進行分類
4)數據壓縮：減少輸出矢量維數以便於傳輸或存儲在人工神經網路的實際套用中，80%-90%的人工神經網路模型是採用BP網路或它的變化形式，它也是前向網路的核心部分，體現了人工神經網路最精華的部分。
