《智能计算》课程设计报告 BP 网络解决 XOR 分类问题 姓 名： 班 级： 学 号： 指导老师： 完成时间：2011/12/26 1 设计目的： 本实验课程是与《智能优化算法及其应用》理论课程配套的实践性课程，用实验的方法帮助学生更好地熟悉和掌握智能优化算法的基本原理和方法；通过综合应用所学知识，实现一些智能优化算法的经典方法，以及智能优化算法的基本应用；同时提高学生编写实验报告、总结实验结果的能力；使学生对智能优化算法的相关理论和方法有更深刻的认识。 完成的主要任务： BP 网络是目前前馈式神经网络中应用最广泛的网络之一，实现BP 算法训练神经网络完成 XOR 的分类问题。 设计要求： （1） 能够设置网络的输入节点数、隐节点数、网络层数、学习常数等各项参数； （2） 能够输入训练样本； （3） 实现BP 算法的训练过程； （4） 实现训练过程的动态演示； （5） 训练完成后可输入测试数据进行测试。 解决的主要问题： 根据感知器的的相关理论易知感知器善于解决线性可分问题，而不能解决XOR 问题，所以引进了BP 网络，并通过相关知识来解决分类问题。 反向传播网络（Back-Propagation Network,简称BP 网络）是将W-H 学习规则一般化，对非 线性可微 分函 数进行权 值 训练的多 层网络。 BP 网络主要用于函 数逼近 ，模 式识别 ，分类，数据压 缩 。在 人 工 神经网络的实际 应用中，80%~90%的人工 神经网络模 型 是采 用BP 网络或 它 的变 化形 式，也 是前行网络的核 心 部 分，体现了人 工 神经网络最精 华 的部 分。 2 一个具有r 个输入和一个隐含层的神经网络模型结构如图所示 下图所示是S 型激活函数的图型，可以看到f ()是一个连续可微的函数，一阶导数存在。对于多层网络，这种激活函数所划分的区域不再是线性划分，而是有一个非线性的超平面组成的区域。它还可以严格利用梯度算法进行推算，他的权值修正的解析式十分明确，其算法被称为误差反向传播法，简称 SP 算法。 BP 算法是有两部分组成：信息的正向传递与误差的反向传播。在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态值影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望的目标。 设计的基本概念和原理：...
