老饼讲解-神经网络
神经网络是什么
初识
BP解决什么问题
作者 : 老饼 日期 : 2022-06-09 05:00:22 更新 : 2022-06-29 01:21:45
本站原创文章,转载请说明来自《老饼讲解-BP神经网络》bp.bbbdata.com



本文第一部分介绍什么情况下使用BP神经网络解决问题,

第二部分展示一个BP神经网络解决问题的例子,

最后列举BP神经网络常用的实际使用场景



01. 问题与背景


  问题    

   已知y和X存在某种关系(X和y可以是一个向量),我们希望得到y和X的数学关系,这样在知道X的值,可以求得y的值。


对于该问题一般有三种场景:


 ● 第一种场景  


我们完全知道X和y的内部机制,那么我们可以根据X和y的逻辑关系推导出X和y的数学关系。
例如物体自由落体运动时,位置与时间的关系。


 ● 第二种场景  


我们只知道X和y的部分逻辑关系,得到的数学表达式带有参数,那么,我们可以通过采集历史数据,用最小误差的方法,去估算参数。
例如,根据胡克定律,我们知道力和变形量成线性关系,F=-kx,k待定,可以采集数据,估算出k。


 ● 第三种场景  


完全不知道X和y的逻辑关系。
这时的解决方案是,采集到大量历史数据样,再找一个函数,通过调整函数的参数,使函数与历史数据吻合。再用测试数据,检验该函数在新样本中是否可用。


通过对比,我们可以知道,


● 第一种场景得到的数学关系是非常可靠的,
● 第二种其次,                                           
● 第三种就纯属黑箱拟合了。                       

但在X和y的内部逻辑完全不知道,或过于复杂时,第三种反而是一种唯一可用的方案。

而BP,就是解决第三种场景的众多方法中极为出采的方法之一。



  02. 例子  


我们对系统采集了一些历史样本,投放到一个3个隐神经元的网络(实际就是一个函数F(X))中训练,



在历史数据训练好后,就可以投入生产中进行预测,例如,输入【0.5,0.5】,网络就输出0.7636的预测值。




  03. 常用的实际问题  


此外,BP在实际中,还常常用于,数值预测、模式识别、曲线拟合、数据压缩(特征提取) 等等。



BP神经网络是可以解决很多问题的,比较万能,但我们不会所有问题都会使用BP神经网络。

在我们在知道X,Y之间的一些特性的条件下,我们更愿意充分利用这些特性,建立其他模型,这样更具解释性。






 End 






联系小饼