BP神經(jīng)網(wǎng)絡(luò)及簡(jiǎn)單示例課件

神經(jīng)網(wǎng)絡(luò)

——淺嘗數(shù)學(xué)建模工作室張敏神經(jīng)網(wǎng)絡(luò)淺嘗神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)常用函數(shù)介紹案例——蠓蟲分類神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)構(gòu)成：大量簡(jiǎn)單的基本元件——神經(jīng)元相互連接工作原理：模擬生物的神經(jīng)處理信息的方式功能：進(jìn)行信息的并行處理和非線性轉(zhuǎn)化特點(diǎn)：比較輕松地實(shí)現(xiàn)非線性映射過程具有大規(guī)模的計(jì)算能力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖輸入層輸出層中間層樹突細(xì)胞核細(xì)胞體軸突突觸神經(jīng)末梢生物神經(jīng)元結(jié)構(gòu)：神經(jīng)元結(jié)構(gòu)模型x1x2xjx3xnyi可以看出神經(jīng)元一般表現(xiàn)為一個(gè)多輸入、單輸出的非線性器件xj為輸入信號(hào)，

為閾值，

表示與神經(jīng)元xj

連接的權(quán)值

yi表示輸出值傳遞函數(shù)閾值型線性型S型有反饋的前向神經(jīng)網(wǎng)絡(luò)：特點(diǎn)：輸出層對(duì)輸入層有反饋信息。如：認(rèn)知機(jī)和回歸BP網(wǎng)絡(luò)。相互結(jié)合型網(wǎng)絡(luò)：特點(diǎn)：任意兩個(gè)神經(jīng)元之間都可能有聯(lián)系輸入層輸出層中間層ijk中間層：輸入輸出輸入層輸出層中間層ijk輸出層:輸入輸出輸入層輸出層中間層ijk思路：1、觸角長(zhǎng)和翼長(zhǎng)作為輸入信息，分別記為x1,x2。目標(biāo)輸出：(0,1)、(1,0)。Af類記為(1,0)，Apf類記為(0,1)。輸入層輸出層中間層ijk輸入層輸出層中間層ijk2、通過已知樣本訓(xùn)練出合適的權(quán)值使輸出為(0,1)或(1,0)。3、將待區(qū)分的蠓蟲數(shù)據(jù)輸入網(wǎng)絡(luò)，求值。傳遞函數(shù)(激活函數(shù))logsig(S型函數(shù))：MATLAB按此函數(shù)計(jì)算：調(diào)用格式：A=logsig(N)如：n=-10:0.1:10a=logsig(n)plot(n,a)gridon圖形如下：newff

創(chuàng)建一個(gè)BP網(wǎng)絡(luò)，其調(diào)用格式為：net=newffnet=newff(PR,[S1S2…SN1],{TF1TF2…TFN1},BTF,BLF,PF)其中，net=newff：用于在對(duì)話框中創(chuàng)建一個(gè)BP網(wǎng)絡(luò)PR：由每組輸入(共有R組輸入)元素的最大值和最小值組成的R×2維的矩陣；Si：第i層的長(zhǎng)度，共計(jì)N1層TFi：第i層的傳遞函數(shù)，默認(rèn)為“tansig”BTF：BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為“trainlm”;BLF：權(quán)值和閾值的BP學(xué)習(xí)算法，默認(rèn)為“l(fā)earngdm”PF：網(wǎng)絡(luò)的性能函數(shù)，默認(rèn)為“mse”常用函數(shù)train用于對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。調(diào)用格式為：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)其中，NET：待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)；P：網(wǎng)絡(luò)的輸入信號(hào)；T：網(wǎng)絡(luò)的目標(biāo)，默認(rèn)值為0；Pi：初始的輸入延遲，默認(rèn)為0；Ai：初始的層次延遲，默認(rèn)為0；net：函數(shù)返回值，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)；tr：函數(shù)返回值，訓(xùn)練記錄(包括步數(shù)和性能)；Y：函數(shù)返回值，神經(jīng)網(wǎng)絡(luò)的輸出信號(hào)；E：函數(shù)返回值，神經(jīng)網(wǎng)絡(luò)的誤差；Pf：函數(shù)返回值，最終輸入延遲；Af：函數(shù)返回值，最終層延遲。clearp1=[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];p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.001.28,2.00;1.30,1.96];p=[p1;p2]';pr=minmax(p);goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)];plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o')net=newff(pr,[3,2],{'logsig','logsig'});net=