[发明专利]神经网络训练方法及采用该方法的垃圾邮件过滤方法

权利要求书

1.一种BP神经网络的训练方法，其通过学习率来调整所述BP神经网络中每层之间的权重，其特征在于，其包括：

计算已知邮件的关键词的权重，并计算各种邮件分类所对应的目标值；

将所述已知邮件的权重输入到欲训练的BP神经网络中得到输出值；和

计算所述输出值和所述目标值的偏差，如果不符合训练结束条件，则修改BP神经网络的权重，进行下一代训练，直到输出值符合训练结束条件，其中设定预定数值代为一个阶段，每一个阶段更新一次学习率。

2.根据权利要求1所述的BP神经网络的训练方法，其特征在于：BP神经网络中获取输出值和修改网络权值的具体过程为：

获取输出值的过程包括：采用一个输入层、隐藏层和输出层组成BP神经网络，输入层节点的个数等于所选用的关键词的个数，输出层的节点的个数等于最后分类的个数，所述分类为合法邮件与垃圾邮件两类；首先每一个输入点i接受到一个输入信号x_i作为网络的输入，然后可计算隐藏层节点j接收到的信号为：

In(j)=bj+Σi=1nxiwij]]>

其中b_j为偏移量，n代表所选用的关键词的个数，w_ij为连接输入层上节点i与隐藏层上节点j之间的权值，隐藏层的信号经过S型激励函数：

f(x)=2(1-exp(-x))-1]]>

之后可得输出层节点k的输出值：

yk=bk+Σj=1mwjkf(In(j))]]>

其中b_k为偏移量，m为隐藏层上节点的个数，w_jk为连接隐藏层上节点j与输出层上节点k之间的权值；

修改网络权值包括：如果输出值没有符合训练结束的条件，则计算输出层上输出值的平均绝对错误率：

Em=12KΣk=1K(Tk-Yk)2]]>

其中K代表最终邮件分类的个数，Y_k和T_k分别代表输出值与目标值；利用梯度递减函数计算下一代(t+1)中所对应的权值w(t+1)，具体为：

w(t+1)=w(t)-η∂E(t)/∂w(t)]]>

其中w(t)为BP神经网络中第t代的权值，与分别代表第t代的权值变化值与平均绝对错误率变化值，η为第t代所在阶段的学习率；然后反向传播，以修改各层神经元的权值，直到得到期望的输出。