学习率η和动量因子α-BP神经网络详解与实例

上传者: 42200829 | 上传时间: 2021-11-27 10:16:14 | 文件大小: 1.59MB | 文件类型: -
1.学习率η和动量因子α BP算法本质上是优化计算中的梯度下降法,利用误差对于权、阀值的一阶导数信息来指导下一步的权值调整方向,以求最终得到误差最小。为了保证算法的收敛性,学习率η必须小于某一上限,一般取0<η<1而且越接近极小值,由于梯度变化值逐渐趋于零,算法的收敛就越来越慢。在网络参数中,学习率η和动量因子α是很重要的,它们的取值直接影响到网络的性能,主要是收敛速度。为提高学习速度,应采用大的η。但η太大却可能导致在稳定点附近振荡,乃至不收敛。针对具体的网络结构模型和学习样本,都存在一个最佳的学习率门和动量因子α,它们的取值范围一般0~1之间,视实际情况而定。在上述范围内通过对不同的η和α的取值进行了考察,确定本文神经网络模型的参数为:η=0.7,α=0.9。

文件下载

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明