數(shù)學(xué)建模之BP神經(jīng)網(wǎng)絡(luò)課件

BP神經(jīng)網(wǎng)絡(luò)

(BackProragation

-----BP)

1精選編輯pptBP神經(jīng)網(wǎng)絡(luò)

(BackProragation

-§1人工神經(jīng)網(wǎng)絡(luò)概述2精選編輯ppt§1人工神經(jīng)網(wǎng)絡(luò)概述2精選編輯ppt

所謂人工神經(jīng)網(wǎng)絡(luò)就是基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)成的一種信息處理系統(tǒng)。人是地球上具有最高智慧的動(dòng)物，而人的指揮均來(lái)自大腦，人類(lèi)靠大腦進(jìn)行思考、聯(lián)想、記憶和推理判斷等，這些功能是任何被稱(chēng)為“電腦”的一般計(jì)算機(jī)所無(wú)法取代的。長(zhǎng)期以來(lái)，許多科學(xué)家一直致力于人腦內(nèi)部結(jié)構(gòu)和功能的探討和研究，并試圖建立模仿人類(lèi)大腦的計(jì)算機(jī)，雖然到目前對(duì)大腦的內(nèi)部工作機(jī)理還不甚完全清楚，但對(duì)其結(jié)構(gòu)已有所了解。前言3精選編輯ppt所謂人工神經(jīng)網(wǎng)絡(luò)就是基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)

粗略地講，大腦是由大量神經(jīng)細(xì)胞或神經(jīng)元組成的。每個(gè)神經(jīng)元可看作是一個(gè)小的處理單元，這些神經(jīng)元按某種方式連接起來(lái)，形成大腦內(nèi)部的生理神經(jīng)元網(wǎng)絡(luò)。這種神經(jīng)元網(wǎng)絡(luò)中各神經(jīng)元之間聯(lián)結(jié)的強(qiáng)弱，按外部的激勵(lì)信號(hào)做自適應(yīng)變化，而每個(gè)神經(jīng)元又隨著所接收到的多個(gè)接收信號(hào)的綜合大小而呈現(xiàn)興奮或抑制狀態(tài)。現(xiàn)已明確大腦的學(xué)習(xí)過(guò)程就是神經(jīng)元之間連接強(qiáng)度隨外部激勵(lì)信息做自適應(yīng)變化的過(guò)程，而大腦處理信息的結(jié)果則由神經(jīng)元的狀態(tài)表現(xiàn)出來(lái)。4精選編輯ppt粗略地講，大腦是由大量神經(jīng)細(xì)胞或神經(jīng)元組成的。每

人工神經(jīng)網(wǎng)絡(luò)是根據(jù)人的認(rèn)識(shí)過(guò)程而開(kāi)發(fā)出的一種算法。假如我們現(xiàn)在只有一些輸入和相應(yīng)的輸出，而對(duì)如何由輸入得到輸出的機(jī)理并不清楚，那么我們可以把輸入與輸出之間的未知過(guò)程看成是一個(gè)“網(wǎng)絡(luò)”，通過(guò)不斷地給這個(gè)網(wǎng)絡(luò)輸入和相應(yīng)的輸出來(lái)“訓(xùn)練”這個(gè)網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)輸入和輸出不斷地調(diào)節(jié)自己的各節(jié)點(diǎn)之間的權(quán)值來(lái)滿足輸入和輸出。這樣，當(dāng)訓(xùn)練結(jié)束后，我們給定一個(gè)輸入，網(wǎng)絡(luò)便會(huì)根據(jù)自己已調(diào)節(jié)好的權(quán)值計(jì)算出一個(gè)輸出。這就是神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單原理。5精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)是根據(jù)人的認(rèn)識(shí)過(guò)程而開(kāi)發(fā)出的一種算法。5

由于我們建立的信息處理系統(tǒng)實(shí)際上是模仿生理神經(jīng)網(wǎng)絡(luò)，因此稱(chēng)它為人工神經(jīng)網(wǎng)絡(luò)。需要指出的是，盡管人工神經(jīng)網(wǎng)絡(luò)是對(duì)大腦結(jié)構(gòu)的模仿，但這種模仿目前還處于較低的水平。6精選編輯ppt由于我們建立的信息處理系統(tǒng)實(shí)際上是模仿生理神經(jīng)網(wǎng)絡(luò)，生物神經(jīng)網(wǎng)構(gòu)成：生物神經(jīng)元由:細(xì)胞體(Cellbody)樹(shù)突(Dendrite)軸突(Axon)突觸(Synapse)7精選編輯ppt生物神經(jīng)網(wǎng)構(gòu)成：生物神經(jīng)元由:7精選編輯ppt工作過(guò)程：從神經(jīng)元各組成部分的功能來(lái)看，信息的處理與傳遞主要發(fā)生在突觸附近。當(dāng)神經(jīng)元細(xì)胞體通過(guò)軸突傳到突觸前膜的脈沖幅度達(dá)到一定強(qiáng)度，即超過(guò)其閾值電位后，突觸前膜將向突觸間隙釋放神經(jīng)傳遞的化學(xué)物質(zhì)。神經(jīng)元間信息的產(chǎn)生、傳遞和處理是一種電化學(xué)活動(dòng)。神經(jīng)元間的信號(hào)通過(guò)突觸傳遞。通過(guò)它，一個(gè)神經(jīng)元內(nèi)傳送的沖擊信號(hào)將在下一個(gè)神經(jīng)元內(nèi)引起響應(yīng)，使下一個(gè)神經(jīng)元興奮，或阻止下一個(gè)神經(jīng)元興奮。8精選編輯ppt工作過(guò)程：8精選編輯ppt人工神經(jīng)元人工神經(jīng)元是對(duì)生物神經(jīng)元的模擬。模擬生物神經(jīng)網(wǎng)絡(luò)應(yīng)首先模擬生物神經(jīng)元：人工神經(jīng)元(節(jié)點(diǎn))。從三個(gè)方面進(jìn)行模擬：節(jié)點(diǎn)本身的信息處理能力節(jié)點(diǎn)與節(jié)點(diǎn)之間連接(拓?fù)浣Y(jié)構(gòu))相互連接的強(qiáng)度(通過(guò)學(xué)習(xí)來(lái)調(diào)整)9精選編輯ppt人工神經(jīng)元人工神經(jīng)元是對(duì)生物神經(jīng)元的模擬。9精選編輯ppt人工神經(jīng)元的基本構(gòu)成：輸入：X=(x1，x2，…，xn)權(quán)系數(shù)：W=(w1，w2，…，wn)T輸入與輸出具有如下關(guān)系：其中θ為閾值，是激發(fā)函數(shù)；它可以是線性函數(shù)，也可以是非線性函數(shù)．

10精選編輯ppt人工神經(jīng)元的基本構(gòu)成：10精選編輯ppt常見(jiàn)的激活函數(shù)有以下幾種類(lèi)型：1、階梯函數(shù)

2、線性函數(shù)

3、非線性：Sigmoid函數(shù)

11精選編輯ppt常見(jiàn)的激活函數(shù)有以下幾種類(lèi)型：1、階梯函數(shù)2、線性函數(shù)12精選編輯ppt12精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：層次型結(jié)構(gòu)：將神經(jīng)元按功能分成若干層，如輸入層、中間層（隱含層）和輸出層，各層順序相連互連型網(wǎng)絡(luò)結(jié)構(gòu)：網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間都可能存在連接路徑按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：前饋型網(wǎng)絡(luò)：網(wǎng)絡(luò)信息處理的方向是從輸入層到各隱層再到輸出層逐層進(jìn)行反饋型網(wǎng)絡(luò)：在反饋網(wǎng)絡(luò)中所有節(jié)點(diǎn)都具有信息處理功能，而且每個(gè)節(jié)點(diǎn)既可以從外界接收輸入，同時(shí)又可以向外界輸出13精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：13精選編輯pp按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：層次型結(jié)構(gòu)：將神經(jīng)元按功能分成若干層，如輸入層、中間層（隱層）和輸出層，各層順序相連單純型層次型結(jié)構(gòu)14精選編輯ppt按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：?jiǎn)渭冃蛯哟涡徒Y(jié)構(gòu)14精選編輯ppt按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：互連型網(wǎng)絡(luò)結(jié)構(gòu)：網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間都可能存在連接路徑局部互連型15精選編輯ppt按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：局部互連型15精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：前饋型網(wǎng)絡(luò)：網(wǎng)絡(luò)信息處理的方向是從輸入層到各隱層再到輸出層逐層進(jìn)行前饋型網(wǎng)絡(luò)16精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：前饋型網(wǎng)人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.e)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：反饋型網(wǎng)絡(luò)：在反饋網(wǎng)絡(luò)中所有節(jié)點(diǎn)都具有信息處理功能，而且每個(gè)節(jié)點(diǎn)既可以從外界接收輸入，同時(shí)又可以向外界輸出反饋型網(wǎng)絡(luò)17精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.e)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：反饋型建立和應(yīng)用神經(jīng)網(wǎng)絡(luò)的步驟

（1）網(wǎng)絡(luò)結(jié)構(gòu)的確定 包含網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和每個(gè)神經(jīng)元相應(yīng)函數(shù)的選?。唬?）權(quán)值和閾值的確定 通過(guò)學(xué)習(xí)得到，為有指導(dǎo)的學(xué)習(xí)，也就是利用已知的一組正確的輸入、輸出數(shù)據(jù)，調(diào)整權(quán)值和閾值使得網(wǎng)絡(luò)輸出與理想輸出偏差盡量??；（3）工作階段 用帶有確定權(quán)值和閾值的神經(jīng)網(wǎng)絡(luò)解決實(shí)際問(wèn)題，也叫模擬（simulate）。

18精選編輯ppt建立和應(yīng)用神經(jīng)網(wǎng)絡(luò)的步驟 18精選編輯ppt神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡(jiǎn)稱(chēng)BP神經(jīng)網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識(shí)別、分類(lèi)和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。19精選編輯ppt神經(jīng)網(wǎng)絡(luò)的應(yīng)用人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較§2BP神經(jīng)網(wǎng)絡(luò)概述20精選編輯ppt§2BP神經(jīng)網(wǎng)絡(luò)概述20精選編輯pptBP算法BP(BackProragation，BP)誤差反向傳播算法1986年，Rumelhart和McCelland領(lǐng)導(dǎo)的科學(xué)家小組《ParallelDistributedProcessing》一書(shū)它是有指導(dǎo)訓(xùn)練的前饋多層網(wǎng)絡(luò)訓(xùn)練算法，是靠調(diào)節(jié)各層的權(quán)值，使網(wǎng)絡(luò)學(xué)會(huì)由輸入輸出對(duì)組成的訓(xùn)練組。其核心思想是將輸出誤差以某種形式通過(guò)隱含層向輸入層逐層反傳，即：信號(hào)正向傳播；誤差反向傳播執(zhí)行優(yōu)化的方法是梯度下降法最常用的激活函數(shù)是Sigmoid函數(shù)21精選編輯pptBP算法21精選編輯pptBP算法BP網(wǎng)絡(luò)模型輸入層隱含層輸出層22精選編輯pptBP算法輸入層隱含層輸出層22精選編輯pptBP算法BP網(wǎng)絡(luò)的數(shù)學(xué)模型輸入向量：

X=(x1,x2,…,xi,…,xn)T隱含層輸出向量：

Y=(y1,y2,…,yj,…,ym)T輸出層輸出向量：

O=(o1,o2,…,ok,…,ol)T期望輸出向量：d=(d1,d2,…,dk,…,dl)T輸入層到隱層之間的權(quán)值矩陣：V=(V1,V2,…,Vj,…,Vm)隱含層到輸出層之間的權(quán)值矩陣：W=(W1,W2,…,Wk,…,Wl)23精選編輯pptBP算法23精選編輯ppt§3BP算法流程及實(shí)現(xiàn)24精選編輯ppt§3BP算法流程及實(shí)現(xiàn)24精選編輯ppt應(yīng)用之例1：蠓蟲(chóng)的分類(lèi)已知的兩類(lèi)蠓蟲(chóng)的數(shù)據(jù)如表：

翼長(zhǎng)觸角長(zhǎng)類(lèi)別1.821.14Apf1.961.18Apf1.861.20Apf1.271.24Af2.001.26Apf2.001.28Apf1.961.30Apf1.741.36Af目標(biāo)值0.90.90.90.10.90.90.90.1

翼長(zhǎng)觸角長(zhǎng)類(lèi)別

1.641.38Af1.821.38Af1.901.38Af1.701.40Af1.821.48Af1.821.54Af2.081.56Af目標(biāo)值0.10.10.10.10.10.10.1

25精選編輯ppt應(yīng)用之例1：蠓蟲(chóng)的分類(lèi)已知的兩類(lèi)蠓蟲(chóng)的數(shù)據(jù)如表：翼長(zhǎng)問(wèn)題：1、制定一種方法，正確的區(qū)分兩類(lèi)蠓蟲(chóng)；2、對(duì)觸角和翼長(zhǎng)分別為(1.24,1.80)，(1.28,1.84)與(1.40,2.04)的3個(gè)標(biāo)本，用所得到的方法加以識(shí)別。26精選編輯ppt問(wèn)題：26精選編輯ppt輸入數(shù)據(jù)有15個(gè)，每個(gè)輸入有兩個(gè)指標(biāo)。輸出數(shù)據(jù)為兩個(gè)類(lèi)別，共15個(gè)輸出。建模：（輸入層，隱含層，輸出層，每層的節(jié)點(diǎn)應(yīng)取多少個(gè)？）建立神經(jīng)網(wǎng)絡(luò)27精選編輯ppt輸入數(shù)據(jù)有15個(gè)，每個(gè)輸入有兩個(gè)指標(biāo)。27精選編輯pptMATLAB中BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能

生成一個(gè)前饋BP網(wǎng)絡(luò):newff()newff函數(shù)的格式為：net=newff(PR,[S1S2...SN],{TF1TF2...TFN},BTF,BLF,PF）PR：Rx2的矩陣以定義R個(gè)輸入向量的最小值和最大值；Si：第i層神經(jīng)元個(gè)數(shù)；（注：不將輸入層計(jì)算在內(nèi)）TFi：第i層的激活函數(shù)，默認(rèn)函數(shù)為tansig（雙曲正切S型）函數(shù)；BTF：訓(xùn)練函數(shù)，默認(rèn)函數(shù)為trainlm（梯度下降）函數(shù)；BLF：權(quán)值/閾值學(xué)習(xí)函數(shù)，默認(rèn)函數(shù)為learngdm（帶動(dòng)量項(xiàng)的BP學(xué)習(xí)規(guī)則）函數(shù)；PF：性能函數(shù)，默認(rèn)函數(shù)為mse函數(shù)。28精選編輯pptMATLAB中BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能28精選編輯p具體算法如下：%%清空環(huán)境變量clcclear%%輸入樣本數(shù)據(jù)p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08];%Afp2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00;1.28,2.00;1.30,1.96];%Apfp=[p1;p2]';pr=minmax(p);%輸入向量的最小值和最大值%%輸出樣本數(shù)據(jù)goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)];%%繪圖plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')29精選編輯ppt具體算法如下：%%清空環(huán)境變量29精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建net=newff(pr,[3,2],{'logsig','logsig'});%隱含層有3個(gè)節(jié)點(diǎn)，輸出層有2個(gè)節(jié)點(diǎn)，隱含層神經(jīng)元的激活函數(shù)為S型對(duì)數(shù)函數(shù)logsig，輸出層神經(jīng)元的激活函數(shù)為S型對(duì)數(shù)函數(shù)logsig。訓(xùn)練函數(shù)為默認(rèn)函數(shù)trainlm（梯度下降）函數(shù)；權(quán)值/閾值學(xué)習(xí)函數(shù)為默認(rèn)函數(shù)learngdm（帶動(dòng)量項(xiàng)的BP學(xué)習(xí)規(guī)則）函數(shù)；性能函數(shù)為默認(rèn)函數(shù)為mse函數(shù)。net.trainParam.show=10;%顯示中間結(jié)果的周期為10net.trainParam.lr=0.05;%整批學(xué)習(xí)中的學(xué)習(xí)效率為0.05net.trainParam.goal=1e-10;%最小二乘目標(biāo)誤差設(shè)定值為1e-10net.trainParam.epochs=50000;%訓(xùn)練次數(shù)為50000次%%訓(xùn)練網(wǎng)絡(luò)以及測(cè)試網(wǎng)絡(luò)net=train(net,p,goal);%%對(duì)網(wǎng)絡(luò)進(jìn)行模擬y0=sim(net,p)；y0(find(y0<0.5))=0;y0(find(y0>=0.5))=1;%%問(wèn)題2的分類(lèi)x=[1.241.80;1.281.84;1.402.04]';y=sim(net,x)；y(find(y<0.5))=0;y(find(y>=0.5))=1;30精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建30精選編輯ppt應(yīng)用之例2：居民生活用水量預(yù)測(cè)已知的居民生活用水量數(shù)據(jù)如表：

31精選編輯ppt應(yīng)用之例2：居民生活用水量預(yù)測(cè)已知的居民生活用水量數(shù)據(jù)如表問(wèn)題：1、建立1999-2010生活用水量的預(yù)測(cè)模型；2、預(yù)測(cè)2011年的生活用水量。32精選編輯ppt問(wèn)題：32精選編輯ppt預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前幾年的用水量來(lái)預(yù)測(cè)下一年的用水量，如用1999、2000、2001年的用水量為輸入，預(yù)測(cè)2001年的用水量，或用2001、2002年、2003年、2004年的用水量為輸入，預(yù)測(cè)2005年的用水量。如此反復(fù)直至滿足預(yù)測(cè)精度要求為止。建模：建立3層BP神經(jīng)網(wǎng)絡(luò)，各層神經(jīng)元之間形成全互聯(lián)連接，各層次內(nèi)的神經(jīng)元之間沒(méi)有連接。輸入層的節(jié)點(diǎn)數(shù)為輸入向量的分量數(shù)4個(gè)，隱含層的節(jié)點(diǎn)數(shù)與輸入層的節(jié)點(diǎn)數(shù)相同為4個(gè)，輸出層的節(jié)點(diǎn)數(shù)為輸出向量的分量數(shù)為1個(gè)，即用前面幾年的居民生活用水量對(duì)后一年的居民生活用水量進(jìn)行預(yù)測(cè)。33精選編輯ppt預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前幾年的用水量來(lái)預(yù)測(cè)下一年的用%%清空環(huán)境變量clc;clearall;%%輸入樣本數(shù)據(jù)y=xlsread('shysl.xls','sheet1','B2:B35');t=xlsread('shysl.xls','sheet1','C2:C35');p1=y(1:29)';p2=y(2:30)';p3=y(3:31)';p4=y(4:32)';p=[p1;p2;p3;p4];%進(jìn)入網(wǎng)絡(luò)的數(shù)據(jù)矩陣pr=minmax(p);%輸入向量的最小值和最大值%%輸出樣本數(shù)據(jù)gaol=y(5:33)';具體算法如下：34精選編輯ppt%%清空環(huán)境變量具體算法如下：34精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建net=newff(pr,[4,1],{'logsig','logsig'},'traingdx');net.trainParam.show=10;%顯示中間結(jié)果的周期為10net.trainParam.lr=0.0000001;%整批學(xué)習(xí)中的學(xué)習(xí)效率為0.0000001net.trainParam.goal=50;

%最小二乘目標(biāo)誤差設(shè)定值為50net.trainParam.epochs=500000;%訓(xùn)練次數(shù)為500000次net=train(net,p,gaol);%訓(xùn)練網(wǎng)絡(luò)以及測(cè)試網(wǎng)絡(luò)y0=sim(net,p);%對(duì)網(wǎng)絡(luò)進(jìn)行模擬v=net.iw{1,1}；%輸入層到隱含層的權(quán)值w=net.lw{2,1}；%隱含層到輸出層的權(quán)值b1=net.b{1,1}；%隱含層的閾值b2=net.b{2,1}；%輸出層的閾值mse=sum((gaol-y0).^2)；%計(jì)算均方誤差%%繪圖k=t(5:33);plot(k',gaol,'k',k',y0,'r');%%預(yù)測(cè)2011年的生活用水量x=[y(30:33)];y=sim(net,x)35精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建35精選編輯ppt1、BP神經(jīng)網(wǎng)絡(luò)水（處理）系統(tǒng)的模擬與預(yù)測(cè)作業(yè)36精選編輯ppt1、BP神經(jīng)網(wǎng)絡(luò)水（處理）系統(tǒng)的模擬與預(yù)測(cè)作業(yè)36精選編輯p

樣本37精選編輯ppt樣本37精選編輯ppt檢驗(yàn)樣本38精選編輯ppt檢驗(yàn)樣本38精選編輯ppt2、下表為某藥品的銷(xiāo)售情況，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷(xiāo)售進(jìn)行預(yù)測(cè)39精選編輯ppt2、下表為某藥品的銷(xiāo)售情況，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷(xiāo)售3、利用BP網(wǎng)絡(luò)預(yù)測(cè)公路運(yùn)量問(wèn)題預(yù)測(cè)該地區(qū)2010年2011年得公路客運(yùn)量和公路貨運(yùn)量。根據(jù)有關(guān)部門(mén)數(shù)據(jù)，該地區(qū)2010年和2011年的人數(shù)分別為73.39和75.55萬(wàn)人，機(jī)動(dòng)車(chē)數(shù)量分別為3.9635和4.0975萬(wàn)輛，公路面積將分別為0.9880和1.0268萬(wàn)平方米。40精選編輯ppt40精選編輯ppt某地區(qū)20年公路運(yùn)量數(shù)據(jù)年份人口數(shù)量機(jī)動(dòng)車(chē)數(shù)量公路面積公路客運(yùn)量公路貨運(yùn)量20.550.60.095126123722.440.750.116217137925.370.850.117730138527.130.900.149145139929.451.050.2010460166330.11.350.2311387171430.961.450.2312353183434.061.600.3215750432236.421.700.3218304813238.091.850.3419836893639.132.150.36210241109941精選編輯ppt

年份人口數(shù)量機(jī)動(dòng)車(chē)數(shù)量公路面積公路客運(yùn)量公路貨運(yùn)量200139.992.200.361949011203200241.932.250.382043310524200344.592.350.49225981111547.302.500.56251071332052.892.600.59334421676255.732.700.59368361867356.762.850.67405482072459.172.950.694292720803200960.633.100.79434622180442精選編輯ppt年份人口數(shù)量機(jī)動(dòng)車(chē)數(shù)量BP神經(jīng)網(wǎng)絡(luò)

(BackProragation

-----BP)

43精選編輯pptBP神經(jīng)網(wǎng)絡(luò)

(BackProragation

-§1人工神經(jīng)網(wǎng)絡(luò)概述44精選編輯ppt§1人工神經(jīng)網(wǎng)絡(luò)概述2精選編輯ppt

所謂人工神經(jīng)網(wǎng)絡(luò)就是基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)成的一種信息處理系統(tǒng)。人是地球上具有最高智慧的動(dòng)物，而人的指揮均來(lái)自大腦，人類(lèi)靠大腦進(jìn)行思考、聯(lián)想、記憶和推理判斷等，這些功能是任何被稱(chēng)為“電腦”的一般計(jì)算機(jī)所無(wú)法取代的。長(zhǎng)期以來(lái)，許多科學(xué)家一直致力于人腦內(nèi)部結(jié)構(gòu)和功能的探討和研究，并試圖建立模仿人類(lèi)大腦的計(jì)算機(jī)，雖然到目前對(duì)大腦的內(nèi)部工作機(jī)理還不甚完全清楚，但對(duì)其結(jié)構(gòu)已有所了解。前言45精選編輯ppt所謂人工神經(jīng)網(wǎng)絡(luò)就是基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)

粗略地講，大腦是由大量神經(jīng)細(xì)胞或神經(jīng)元組成的。每個(gè)神經(jīng)元可看作是一個(gè)小的處理單元，這些神經(jīng)元按某種方式連接起來(lái)，形成大腦內(nèi)部的生理神經(jīng)元網(wǎng)絡(luò)。這種神經(jīng)元網(wǎng)絡(luò)中各神經(jīng)元之間聯(lián)結(jié)的強(qiáng)弱，按外部的激勵(lì)信號(hào)做自適應(yīng)變化，而每個(gè)神經(jīng)元又隨著所接收到的多個(gè)接收信號(hào)的綜合大小而呈現(xiàn)興奮或抑制狀態(tài)?，F(xiàn)已明確大腦的學(xué)習(xí)過(guò)程就是神經(jīng)元之間連接強(qiáng)度隨外部激勵(lì)信息做自適應(yīng)變化的過(guò)程，而大腦處理信息的結(jié)果則由神經(jīng)元的狀態(tài)表現(xiàn)出來(lái)。46精選編輯ppt粗略地講，大腦是由大量神經(jīng)細(xì)胞或神經(jīng)元組成的。每

人工神經(jīng)網(wǎng)絡(luò)是根據(jù)人的認(rèn)識(shí)過(guò)程而開(kāi)發(fā)出的一種算法。假如我們現(xiàn)在只有一些輸入和相應(yīng)的輸出，而對(duì)如何由輸入得到輸出的機(jī)理并不清楚，那么我們可以把輸入與輸出之間的未知過(guò)程看成是一個(gè)“網(wǎng)絡(luò)”，通過(guò)不斷地給這個(gè)網(wǎng)絡(luò)輸入和相應(yīng)的輸出來(lái)“訓(xùn)練”這個(gè)網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)輸入和輸出不斷地調(diào)節(jié)自己的各節(jié)點(diǎn)之間的權(quán)值來(lái)滿足輸入和輸出。這樣，當(dāng)訓(xùn)練結(jié)束后，我們給定一個(gè)輸入，網(wǎng)絡(luò)便會(huì)根據(jù)自己已調(diào)節(jié)好的權(quán)值計(jì)算出一個(gè)輸出。這就是神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單原理。47精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)是根據(jù)人的認(rèn)識(shí)過(guò)程而開(kāi)發(fā)出的一種算法。5

由于我們建立的信息處理系統(tǒng)實(shí)際上是模仿生理神經(jīng)網(wǎng)絡(luò)，因此稱(chēng)它為人工神經(jīng)網(wǎng)絡(luò)。需要指出的是，盡管人工神經(jīng)網(wǎng)絡(luò)是對(duì)大腦結(jié)構(gòu)的模仿，但這種模仿目前還處于較低的水平。48精選編輯ppt由于我們建立的信息處理系統(tǒng)實(shí)際上是模仿生理神經(jīng)網(wǎng)絡(luò)，生物神經(jīng)網(wǎng)構(gòu)成：生物神經(jīng)元由:細(xì)胞體(Cellbody)樹(shù)突(Dendrite)軸突(Axon)突觸(Synapse)49精選編輯ppt生物神經(jīng)網(wǎng)構(gòu)成：生物神經(jīng)元由:7精選編輯ppt工作過(guò)程：從神經(jīng)元各組成部分的功能來(lái)看，信息的處理與傳遞主要發(fā)生在突觸附近。當(dāng)神經(jīng)元細(xì)胞體通過(guò)軸突傳到突觸前膜的脈沖幅度達(dá)到一定強(qiáng)度，即超過(guò)其閾值電位后，突觸前膜將向突觸間隙釋放神經(jīng)傳遞的化學(xué)物質(zhì)。神經(jīng)元間信息的產(chǎn)生、傳遞和處理是一種電化學(xué)活動(dòng)。神經(jīng)元間的信號(hào)通過(guò)突觸傳遞。通過(guò)它，一個(gè)神經(jīng)元內(nèi)傳送的沖擊信號(hào)將在下一個(gè)神經(jīng)元內(nèi)引起響應(yīng)，使下一個(gè)神經(jīng)元興奮，或阻止下一個(gè)神經(jīng)元興奮。50精選編輯ppt工作過(guò)程：8精選編輯ppt人工神經(jīng)元人工神經(jīng)元是對(duì)生物神經(jīng)元的模擬。模擬生物神經(jīng)網(wǎng)絡(luò)應(yīng)首先模擬生物神經(jīng)元：人工神經(jīng)元(節(jié)點(diǎn))。從三個(gè)方面進(jìn)行模擬：節(jié)點(diǎn)本身的信息處理能力節(jié)點(diǎn)與節(jié)點(diǎn)之間連接(拓?fù)浣Y(jié)構(gòu))相互連接的強(qiáng)度(通過(guò)學(xué)習(xí)來(lái)調(diào)整)51精選編輯ppt人工神經(jīng)元人工神經(jīng)元是對(duì)生物神經(jīng)元的模擬。9精選編輯ppt人工神經(jīng)元的基本構(gòu)成：輸入：X=(x1，x2，…，xn)權(quán)系數(shù)：W=(w1，w2，…，wn)T輸入與輸出具有如下關(guān)系：其中θ為閾值，是激發(fā)函數(shù)；它可以是線性函數(shù)，也可以是非線性函數(shù)．

52精選編輯ppt人工神經(jīng)元的基本構(gòu)成：10精選編輯ppt常見(jiàn)的激活函數(shù)有以下幾種類(lèi)型：1、階梯函數(shù)

2、線性函數(shù)

3、非線性：Sigmoid函數(shù)

53精選編輯ppt常見(jiàn)的激活函數(shù)有以下幾種類(lèi)型：1、階梯函數(shù)2、線性函數(shù)54精選編輯ppt12精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：層次型結(jié)構(gòu)：將神經(jīng)元按功能分成若干層，如輸入層、中間層（隱含層）和輸出層，各層順序相連互連型網(wǎng)絡(luò)結(jié)構(gòu)：網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間都可能存在連接路徑按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：前饋型網(wǎng)絡(luò)：網(wǎng)絡(luò)信息處理的方向是從輸入層到各隱層再到輸出層逐層進(jìn)行反饋型網(wǎng)絡(luò)：在反饋網(wǎng)絡(luò)中所有節(jié)點(diǎn)都具有信息處理功能，而且每個(gè)節(jié)點(diǎn)既可以從外界接收輸入，同時(shí)又可以向外界輸出55精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：13精選編輯pp按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：層次型結(jié)構(gòu)：將神經(jīng)元按功能分成若干層，如輸入層、中間層（隱層）和輸出層，各層順序相連單純型層次型結(jié)構(gòu)56精選編輯ppt按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：?jiǎn)渭冃蛯哟涡徒Y(jié)構(gòu)14精選編輯ppt按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：互連型網(wǎng)絡(luò)結(jié)構(gòu)：網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間都可能存在連接路徑局部互連型57精選編輯ppt按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類(lèi)：局部互連型15精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：前饋型網(wǎng)絡(luò)：網(wǎng)絡(luò)信息處理的方向是從輸入層到各隱層再到輸出層逐層進(jìn)行前饋型網(wǎng)絡(luò)58精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：前饋型網(wǎng)人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.e)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：反饋型網(wǎng)絡(luò)：在反饋網(wǎng)絡(luò)中所有節(jié)點(diǎn)都具有信息處理功能，而且每個(gè)節(jié)點(diǎn)既可以從外界接收輸入，同時(shí)又可以向外界輸出反饋型網(wǎng)絡(luò)59精選編輯ppt人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)(C.e)按網(wǎng)絡(luò)內(nèi)部的信息流向分類(lèi)：反饋型建立和應(yīng)用神經(jīng)網(wǎng)絡(luò)的步驟

（1）網(wǎng)絡(luò)結(jié)構(gòu)的確定 包含網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和每個(gè)神經(jīng)元相應(yīng)函數(shù)的選?。唬?）權(quán)值和閾值的確定 通過(guò)學(xué)習(xí)得到，為有指導(dǎo)的學(xué)習(xí)，也就是利用已知的一組正確的輸入、輸出數(shù)據(jù)，調(diào)整權(quán)值和閾值使得網(wǎng)絡(luò)輸出與理想輸出偏差盡量??；（3）工作階段 用帶有確定權(quán)值和閾值的神經(jīng)網(wǎng)絡(luò)解決實(shí)際問(wèn)題，也叫模擬（simulate）。

60精選編輯ppt建立和應(yīng)用神經(jīng)網(wǎng)絡(luò)的步驟 18精選編輯ppt神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡(jiǎn)稱(chēng)BP神經(jīng)網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識(shí)別、分類(lèi)和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。61精選編輯ppt神經(jīng)網(wǎng)絡(luò)的應(yīng)用人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較§2BP神經(jīng)網(wǎng)絡(luò)概述62精選編輯ppt§2BP神經(jīng)網(wǎng)絡(luò)概述20精選編輯pptBP算法BP(BackProragation，BP)誤差反向傳播算法1986年，Rumelhart和McCelland領(lǐng)導(dǎo)的科學(xué)家小組《ParallelDistributedProcessing》一書(shū)它是有指導(dǎo)訓(xùn)練的前饋多層網(wǎng)絡(luò)訓(xùn)練算法，是靠調(diào)節(jié)各層的權(quán)值，使網(wǎng)絡(luò)學(xué)會(huì)由輸入輸出對(duì)組成的訓(xùn)練組。其核心思想是將輸出誤差以某種形式通過(guò)隱含層向輸入層逐層反傳，即：信號(hào)正向傳播；誤差反向傳播執(zhí)行優(yōu)化的方法是梯度下降法最常用的激活函數(shù)是Sigmoid函數(shù)63精選編輯pptBP算法21精選編輯pptBP算法BP網(wǎng)絡(luò)模型輸入層隱含層輸出層64精選編輯pptBP算法輸入層隱含層輸出層22精選編輯pptBP算法BP網(wǎng)絡(luò)的數(shù)學(xué)模型輸入向量：

X=(x1,x2,…,xi,…,xn)T隱含層輸出向量：

Y=(y1,y2,…,yj,…,ym)T輸出層輸出向量：

O=(o1,o2,…,ok,…,ol)T期望輸出向量：d=(d1,d2,…,dk,…,dl)T輸入層到隱層之間的權(quán)值矩陣：V=(V1,V2,…,Vj,…,Vm)隱含層到輸出層之間的權(quán)值矩陣：W=(W1,W2,…,Wk,…,Wl)65精選編輯pptBP算法23精選編輯ppt§3BP算法流程及實(shí)現(xiàn)66精選編輯ppt§3BP算法流程及實(shí)現(xiàn)24精選編輯ppt應(yīng)用之例1：蠓蟲(chóng)的分類(lèi)已知的兩類(lèi)蠓蟲(chóng)的數(shù)據(jù)如表：

翼長(zhǎng)觸角長(zhǎng)類(lèi)別1.821.14Apf1.961.18Apf1.861.20Apf1.271.24Af2.001.26Apf2.001.28Apf1.961.30Apf1.741.36Af目標(biāo)值0.90.90.90.10.90.90.90.1

翼長(zhǎng)觸角長(zhǎng)類(lèi)別

1.641.38Af1.821.38Af1.901.38Af1.701.40Af1.821.48Af1.821.54Af2.081.56Af目標(biāo)值0.10.10.10.10.10.10.1

67精選編輯ppt應(yīng)用之例1：蠓蟲(chóng)的分類(lèi)已知的兩類(lèi)蠓蟲(chóng)的數(shù)據(jù)如表：翼長(zhǎng)問(wèn)題：1、制定一種方法，正確的區(qū)分兩類(lèi)蠓蟲(chóng)；2、對(duì)觸角和翼長(zhǎng)分別為(1.24,1.80)，(1.28,1.84)與(1.40,2.04)的3個(gè)標(biāo)本，用所得到的方法加以識(shí)別。68精選編輯ppt問(wèn)題：26精選編輯ppt輸入數(shù)據(jù)有15個(gè)，每個(gè)輸入有兩個(gè)指標(biāo)。輸出數(shù)據(jù)為兩個(gè)類(lèi)別，共15個(gè)輸出。建模：（輸入層，隱含層，輸出層，每層的節(jié)點(diǎn)應(yīng)取多少個(gè)？）建立神經(jīng)網(wǎng)絡(luò)69精選編輯ppt輸入數(shù)據(jù)有15個(gè)，每個(gè)輸入有兩個(gè)指標(biāo)。27精選編輯pptMATLAB中BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能

生成一個(gè)前饋BP網(wǎng)絡(luò):newff()newff函數(shù)的格式為：net=newff(PR,[S1S2...SN],{TF1TF2...TFN},BTF,BLF,PF）PR：Rx2的矩陣以定義R個(gè)輸入向量的最小值和最大值；Si：第i層神經(jīng)元個(gè)數(shù)；（注：不將輸入層計(jì)算在內(nèi)）TFi：第i層的激活函數(shù)，默認(rèn)函數(shù)為tansig（雙曲正切S型）函數(shù)；BTF：訓(xùn)練函數(shù)，默認(rèn)函數(shù)為trainlm（梯度下降）函數(shù)；BLF：權(quán)值/閾值學(xué)習(xí)函數(shù)，默認(rèn)函數(shù)為learngdm（帶動(dòng)量項(xiàng)的BP學(xué)習(xí)規(guī)則）函數(shù)；PF：性能函數(shù)，默認(rèn)函數(shù)為mse函數(shù)。70精選編輯pptMATLAB中BP神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能28精選編輯p具體算法如下：%%清空環(huán)境變量clcclear%%輸入樣本數(shù)據(jù)p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08];%Afp2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00;1.28,2.00;1.30,1.96];%Apfp=[p1;p2]';pr=minmax(p);%輸入向量的最小值和最大值%%輸出樣本數(shù)據(jù)goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)];%%繪圖plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')71精選編輯ppt具體算法如下：%%清空環(huán)境變量29精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建net=newff(pr,[3,2],{'logsig','logsig'});%隱含層有3個(gè)節(jié)點(diǎn)，輸出層有2個(gè)節(jié)點(diǎn)，隱含層神經(jīng)元的激活函數(shù)為S型對(duì)數(shù)函數(shù)logsig，輸出層神經(jīng)元的激活函數(shù)為S型對(duì)數(shù)函數(shù)logsig。訓(xùn)練函數(shù)為默認(rèn)函數(shù)trainlm（梯度下降）函數(shù)；權(quán)值/閾值學(xué)習(xí)函數(shù)為默認(rèn)函數(shù)learngdm（帶動(dòng)量項(xiàng)的BP學(xué)習(xí)規(guī)則）函數(shù)；性能函數(shù)為默認(rèn)函數(shù)為mse函數(shù)。net.trainParam.show=10;%顯示中間結(jié)果的周期為10net.trainParam.lr=0.05;%整批學(xué)習(xí)中的學(xué)習(xí)效率為0.05net.trainParam.goal=1e-10;%最小二乘目標(biāo)誤差設(shè)定值為1e-10net.trainParam.epochs=50000;%訓(xùn)練次數(shù)為50000次%%訓(xùn)練網(wǎng)絡(luò)以及測(cè)試網(wǎng)絡(luò)net=train(net,p,goal);%%對(duì)網(wǎng)絡(luò)進(jìn)行模擬y0=sim(net,p)；y0(find(y0<0.5))=0;y0(find(y0>=0.5))=1;%%問(wèn)題2的分類(lèi)x=[1.241.80;1.281.84;1.402.04]';y=sim(net,x)；y(find(y<0.5))=0;y(find(y>=0.5))=1;72精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建30精選編輯ppt應(yīng)用之例2：居民生活用水量預(yù)測(cè)已知的居民生活用水量數(shù)據(jù)如表：

73精選編輯ppt應(yīng)用之例2：居民生活用水量預(yù)測(cè)已知的居民生活用水量數(shù)據(jù)如表問(wèn)題：1、建立1999-2010生活用水量的預(yù)測(cè)模型；2、預(yù)測(cè)2011年的生活用水量。74精選編輯ppt問(wèn)題：32精選編輯ppt預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前幾年的用水量來(lái)預(yù)測(cè)下一年的用水量，如用1999、2000、2001年的用水量為輸入，預(yù)測(cè)2001年的用水量，或用2001、2002年、2003年、2004年的用水量為輸入，預(yù)測(cè)2005年的用水量。如此反復(fù)直至滿足預(yù)測(cè)精度要求為止。建模：建立3層BP神經(jīng)網(wǎng)絡(luò)，各層神經(jīng)元之間形成全互聯(lián)連接，各層次內(nèi)的神經(jīng)元之間沒(méi)有連接。輸入層的節(jié)點(diǎn)數(shù)為輸入向量的分量數(shù)4個(gè)，隱含層的節(jié)點(diǎn)數(shù)與輸入層的節(jié)點(diǎn)數(shù)相同為4個(gè)，輸出層的節(jié)點(diǎn)數(shù)為輸出向量的分量數(shù)為1個(gè)，即用前面幾年的居民生活用水量對(duì)后一年的居民生活用水量進(jìn)行預(yù)測(cè)。75精選編輯ppt預(yù)測(cè)方法采用滾動(dòng)預(yù)測(cè)方式，即用前幾年的用水量來(lái)預(yù)測(cè)下一年的用%%清空環(huán)境變量clc;clearall;%%輸入樣本數(shù)據(jù)y=xlsread('shysl.xls','sheet1','B2:B35');t=xlsread('shysl.xls','sheet1','C2:C35');p1=y(1:29)';p2=y(2:30)';p3=y(3:31)';p4=y(4:32)';p=[p1;p2;p3;p4];%進(jìn)入網(wǎng)絡(luò)的數(shù)據(jù)矩陣pr=minmax(p);%輸入向量的最小值和最大值%%輸出樣本數(shù)據(jù)gaol=y(5:33)';具體算法如下：76精選編輯ppt%%清空環(huán)境變量具體算法如下：34精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建net=newff(pr,[4,1],{'logsig','logsig'},'traingdx');net.trainParam.show=10;%顯示中間結(jié)果的周期為10net.trainParam.lr=0.0000001;%整批學(xué)習(xí)中的學(xué)習(xí)效率為0.0000001net.trainParam.goal=50;

%最小二乘目標(biāo)誤差設(shè)定值為50net.trainParam.epochs=500000;%訓(xùn)練次數(shù)為500000次net=train(net,p,gaol);%訓(xùn)練網(wǎng)絡(luò)以及測(cè)試網(wǎng)絡(luò)y0=sim(net,p);%對(duì)網(wǎng)絡(luò)進(jìn)行模擬v=net.iw{1,1}；%輸入層到隱含層的權(quán)值w=net.lw{2,1}；%隱含層到輸出層的權(quán)值b1=net.b{1,1}；%隱含層的閾值b2=net.b{2,1}；%輸出層的閾值mse=sum((gaol-y0).^2)；%計(jì)算均方誤差%%繪圖k=t(5:33);plot(k',gaol,'k',k',y0,'r');%%預(yù)測(cè)2011年的生活用水量x=[y(30:33)];y=sim(net,x)77精選編輯ppt%%網(wǎng)絡(luò)創(chuàng)建35精選編輯ppt1、BP神經(jīng)網(wǎng)絡(luò)水（處理）系統(tǒng)的模擬與預(yù)測(cè)作業(yè)78精選編輯ppt1、BP神經(jīng)網(wǎng)絡(luò)水（處理）系統(tǒng)的模擬與預(yù)測(cè)作業(yè)36精選編輯p

樣本79精選編輯ppt樣本37精選編輯ppt檢驗(yàn)樣本80精選編輯ppt檢驗(yàn)樣本38精選編輯ppt2、下表為某藥品的銷(xiāo)售情況，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷(xiāo)售進(jìn)行預(yù)測(cè)81精選編輯ppt2、下表為某藥品的銷(xiāo)售情況，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)對(duì)藥品的銷(xiāo)售3、利用BP網(wǎng)絡(luò)預(yù)測(cè)公路運(yùn)量問(wèn)題預(yù)測(cè)該地區(qū)2010年2011年得公路客運(yùn)量和公路貨運(yùn)量。根據(jù)有關(guān)部門(mén)數(shù)據(jù)，該地區(qū)2010年和2011年的人數(shù)分別為73.39和75.55萬(wàn)人，機(jī)動(dòng)車(chē)數(shù)量分別為3.9635和4.0975萬(wàn)輛，公路面積將分別為0.9880和1.0268萬(wàn)平方米。82精選編輯ppt40精選編輯ppt某地區(qū)20年公路運(yùn)量數(shù)據(jù)年份人口數(shù)量機(jī)動(dòng)車(chē)數(shù)量公路面積公路客運(yùn)量公路貨運(yùn)量20.550.60.095126123722.44