接下來的幾篇部落格主要介紹bp神經網路在核素識別中的應用，本篇內容先介紹bp神經網路。
bp神經網路(back-propagation neural network)，顧名思義就是反向傳播的神經網路。這裡提一點，基於反向傳播的神經網路，例如cnn,rnn等，都屬於全連線神經網路(fully connected neural network)。關於全連線神經網路可以參考這一篇部落格：新增鏈結描述
假定認為乙個傳播需要三個要素：發出訊號者，傳播內容以及接受者，而bp神經網路的反向傳播可以拆分理解為：發出訊號者：神經網路系統，傳播內容是：誤差，接受者是：輸出值。
因此，整個bp神經網路大致可以理解為，在訓練神經網路過程中，系統會產生一定的誤差，而誤差怎麼體現出來？在不斷的迴圈過程中，系統將誤差返回到輸出值，誤差被用來調整各個神經元的權重，也就是不斷利用誤差反饋來學習。
神經網路的結構，可以用下面這個圖來表示：
主要包含三個部分：輸入層，隱層，輸出層。輸入層與輸出層之間是通過隱層連線起來的，在這裡我們可以思考一下，如果我們輸入層資料不變的情況下，改變隱層引數，輸出的結果會不會改變呢？
BP神經網路
基本bp神經網路演算法包括 訊號的前向傳播 誤差的反向傳播 也即計算實際輸出時按照輸入到輸出的方向進行，權值閾值調整則相反。bp是一種多層前饋神經網路，由輸入層 隱含層和輸出層組成。層與層之間有兩種訊號在流動 一種是從輸入流向輸出的工作訊號，是輸入和權值的函式 另一種是輸入流向輸出的訊號，即誤差。隱...
BP神經網路
x 為輸入向量，y為隱藏層的神經元，z 為輸出層,d為目標真實值,本文預設 z 不經過sigmod處理。x y的權重為 w,y z的權重為 v yj ix iwij 1 oyi f y j 2 其中激勵函式f x 1 1 e x f x f x 1 f x 3 z k j f yj vjk 此時系統...
BP神經網路
bp是back propagation bp神經網路主要的演算法在於誤差反向傳播error backpropagation 有三層 輸入層 input 隱含層 hidden 輸出層 output 輸入層 n個神經元 隱含層 p個神經元 輸出層 q個神經元 輸入向量 x x1,x2,x n 隱含層輸入...