人工神經(jīng)網(wǎng)絡(luò)-BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)

—BP神經(jīng)網(wǎng)絡(luò)Contents神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例在matlab中的實(shí)現(xiàn)BP網(wǎng)絡(luò)模型改進(jìn)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介神經(jīng)網(wǎng)絡(luò)是什么？神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)是一個(gè)高度非線性動(dòng)力學(xué)系統(tǒng)。基礎(chǔ)在于生物神經(jīng)元。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)◆前饋性網(wǎng)絡(luò)◆反饋型網(wǎng)絡(luò)輸入層隱層輸出層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法◆有教師的學(xué)習(xí)方式

外界存在一個(gè)教師，對(duì)給定的一組輸入，提供應(yīng)有的輸出（標(biāo)準(zhǔn)答案），學(xué)習(xí)系統(tǒng)可根據(jù)實(shí)際輸出與標(biāo)準(zhǔn)答案之間的差值來(lái)調(diào)整系統(tǒng)參數(shù)學(xué)習(xí)系統(tǒng)教師環(huán)境輸入應(yīng)有響應(yīng)

+誤差信號(hào)實(shí)際響應(yīng)

—

◆無(wú)教師學(xué)習(xí)

學(xué)習(xí)系統(tǒng)按照環(huán)境提供數(shù)據(jù)的某些統(tǒng)計(jì)規(guī)律來(lái)調(diào)節(jié)自身參數(shù)環(huán)境學(xué)習(xí)系統(tǒng)輸入◆強(qiáng)化學(xué)習(xí)：環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)信息（獎(jiǎng)或懲），系統(tǒng)通過(guò)強(qiáng)化受獎(jiǎng)動(dòng)作來(lái)改善自身性能環(huán)境學(xué)習(xí)系統(tǒng)動(dòng)作輸出輸入狀態(tài)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)生物神經(jīng)元非局限性非線性非凸性非常定性BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hidelayer)和輸出層(outputlayer)。BP神經(jīng)網(wǎng)絡(luò)工作原理BP算法隱含層節(jié)點(diǎn)數(shù)的確定1）n1=(n+m)1/2+a2)n1=log2nn1:隱含層單元數(shù)n:輸入單元數(shù)m:輸出單元數(shù)BP算法初始權(quán)值的確定選擇-1~1之間的隨機(jī)數(shù)，系統(tǒng)自動(dòng)默認(rèn)初始閾值的確定

-2.5~2.5之間的隨機(jī)數(shù)，系統(tǒng)自動(dòng)默認(rèn)

都可以通過(guò)語(yǔ)句自行設(shè)置BP算法步驟2.隨機(jī)選取第個(gè)輸入樣本及對(duì)應(yīng)期望輸出

1.網(wǎng)絡(luò)初始化

給各連接權(quán)值分別賦一個(gè)區(qū)間（-1，1）內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)e，給定計(jì)算精度值和最大學(xué)習(xí)次數(shù)M。BP算法步驟3.計(jì)算隱含層各神經(jīng)元的輸入和輸出BP算法步驟4.利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出，計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù)。

BP算法步驟5.利用隱含層到輸出層的連接權(quán)值、輸出層的和隱含層的輸出計(jì)算誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù)。

BP算法步驟BP算法步驟6.利用輸出層各神經(jīng)元的和隱含層各神經(jīng)元的輸出來(lái)修正連接權(quán)值。

BP算法步驟7.利用隱含層各神經(jīng)元的和輸入層各神經(jīng)元的輸入修正連接權(quán)。BP算法步驟8.計(jì)算全局誤差9.判斷網(wǎng)絡(luò)誤差是否滿足要求。當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。否則，選取下一個(gè)學(xué)習(xí)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。

應(yīng)用實(shí)例Matlab實(shí)現(xiàn)P=[0.24 0.220.370.260.360.15;0.220.370.260.360.150.18;0.370.260.360.150.180.11;0.260.360.150.180.110.18;0.360.150.180.110.180.11;0.150.180.110.180.110.18;]';T=[0.180.110.180.110.180.10];net=newff([01;01;01

;01

;01

;01],[5,1],{'tansig','purelin'},'traingd');net.trainParam.epochs=10000;net.trainParam.goal=0.0001;LP.lr=0.01;net=train(net,P,T);iwl=net.iw{1}b1=net.b{1}lw2=net.LW{2}b2=net.b{2}savenet;loadnet

;x=[0.