【摘要】：因此，BP网络是解决复杂的非线性映射问题的有效方法，被广泛应用于非线性建模、模式分类等方面。
基于网络的认知负荷多维综合评估模型_认知负荷的评估与变化预测研究
第二节 基于BP网络的认知负荷多维综合评估模型
1986年，Rumelhart和McCelland在《平行分布加工》一书中，对具有非线性连续转移函数的多层前馈网络提出了误差反向传播(Error Back Proragation，BP)算法。其基本思想是:学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐含层处理后，传向输出层。此时若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即作为各神经元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止[14]。
由于多层前馈网络的训练经常采用误差反向传播算法，因此人们通常把多层前馈网络简称为BP网络。BP神经网络是一种从输入到输出的映射，并且这种映射是一种高度的非线性的映射，它能在无需事先了解输入—输出模式映射关系数学方程的情况下，通过对样本进行学习训练，建立由n维输入项到m维输出项之间的非线性映射。BP网络训练后，将所提取的样本对中的非线性映射关系存储在权值矩阵中，在其后的应用阶段中，当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入项到输出项的正确映射。因此，BP网络是解决复杂的非线性映射问题的有效方法，被广泛应用于非线性建模、模式分类等方面。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
