基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

        接下来详细了解下信号的前向传播过程以及误差的反向传播过程：

2.1  BP网络的特点

        BP网络总括起来，具有以下主要优点：

（1）只要有足够多的隐含层和隐节点，BP网络可以逼近任意的非线性映射关系;

（2）BP网络的学习算法属于全局逼近的方法，因而它具有较好的泛化能力。

        它的主要缺点是:

（1）收敛速度慢;

（2）局部极值；

（3）难以确定隐含层和隐节点的个数。

        从原理上，只要有足够多的隐含层和隐节点，即可实现复杂的映射关系，但是如何根据特定的问题来具体确定网络的结构尚无很好的方法，仍需要凭借经验和试凑。

        BP网络能够实现输入/输出的非线性映射关系，但它并不依赖于模型。其输入与输出之间的关联信息分散地存储于连接权中。由于连接权的个数很多，个别神经元的损坏只对输入/输出关系有较小的影响，因此BP网络显示了较好的容错性。

三、实验结果

4.1  训练过程

4.2  测试结果

        测试结果：

四、实验总结

        通过本次实验我们更加深入的学习到BP神经网络的理论知识，掌握BP神经网络的算法原理以及如何在MATLAB中实现利用MATLAB完成BP神经网络实现人脸朝向分类的程序编写，这也使得我们掌握了在MATLAB中实现一些小型程序的编写能力，实验中我们不妨有一些知识是在课本上没有学习到的，因此我们在实验初期查阅了很多关于BP神经网络的资料，以及如何在MATLAB中实现BP神经网络的代码，当然我们也遇到了一些问题，比如，设置参数问题中，到底是运行越多越好呢还是达到目的就好，也做了很多查阅和讨论。

        更多C/C++语言、Linux系统、数据结构和ARM板实战相关文章，关注专栏：

   手撕C语言

            玩转linux

                    脚踢数据结构

                            系统、网络编程

                                     探索C++

                                             6818（ARM）开发板实战

📢写在最后

• 今天的分享就到这啦~
• 觉得博主写的还不错的烦劳 一键三连喔~
• 🎉🎉🎉感谢关注🎉🎉🎉