1、Sigmoid函数，即f(x)=1/(1+e-x)。

2、神经元的非线性作用函数。

3、人工神经网络的学习算法-BP算法神经网络的学习是基于一组样本进行的，它包括输入和输出(这里用期望输出表示)，输入和输出有多少个分量就有多少个输入和输出神经元与之对应。

4、最初神经网络的权值(Weight)和阈值(Threshold)是任意给定的，学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致。

5、我们假设样本有P个，输入层有N个神经元，隐含层有K个神经元，输出层有M个神经元。

6、Xj为输入层神经元j的输入，Hj为隐含层神经元j的输出，Fj为输出层神经元j的实际输出，Rj为输出层神经元j的期望输出，前一层的输出即为后一层的输入。

7、Whji是输入层神经元i与隐含层神经元j之间的连接权值，Thj是隐含神经元j的阈值，Woji是隐含层神经元i与输出层神经元j之间的连接权值，Toj是输出神经元j的阈值。

8、神经元的非线性作用函数是Sigmoid函数，即f(x)=1/(1+e-x)。

免责声明：本站文字信息和图片素材来源于互联网，仅用于学习参考，如内容侵权与违规，请联系我们进行删除，我们将在三个工作日内处理。联系邮箱：chuangshanghai#qq.com（把#换成@）