建模與仿真神經(jīng)網(wǎng)絡(luò)課件

什么是神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)方法在生物信息學(xué)中的應(yīng)用神經(jīng)網(wǎng)絡(luò)在matlab中的實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)知識(shí)人工神經(jīng)網(wǎng)絡(luò)對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬

非局域性非線性性非定常性非凸性神經(jīng)網(wǎng)絡(luò)的基本性質(zhì)2023/4/22神經(jīng)元神經(jīng)網(wǎng)絡(luò)知識(shí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)知識(shí)神經(jīng)網(wǎng)絡(luò)分類(lèi)前向網(wǎng)絡(luò)反饋網(wǎng)絡(luò)互聯(lián)網(wǎng)絡(luò)層內(nèi)互聯(lián)前向網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)知識(shí)2023/4/26神經(jīng)網(wǎng)絡(luò)知識(shí)神經(jīng)網(wǎng)絡(luò)模型感知器網(wǎng)絡(luò)線性神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)徑向基函數(shù)網(wǎng)絡(luò)反饋網(wǎng)絡(luò)自組織網(wǎng)絡(luò)神經(jīng)元傳遞函數(shù)、網(wǎng)絡(luò)學(xué)習(xí)函數(shù)、激活函數(shù)不同net=newp()net=newlind()net=newff()net=newrbe()2023/4/27學(xué)習(xí)算法適用問(wèn)題類(lèi)型收斂性能占用存儲(chǔ)空間其他特點(diǎn)trainlm函數(shù)擬合收斂快誤差小大性能隨網(wǎng)絡(luò)規(guī)模增大而變差trainrp模式分類(lèi)收斂最快較小性能隨網(wǎng)絡(luò)訓(xùn)練誤差減小而變差trainscg函數(shù)擬合模式分類(lèi)收斂較快性能穩(wěn)定中等尤其適用于網(wǎng)絡(luò)規(guī)模較大的情況trainbfg函數(shù)擬合收斂較快較大計(jì)算量隨網(wǎng)絡(luò)規(guī)模增大呈幾何增大traingdx模式分類(lèi)收斂較慢較小適用于“提前停止”方法，可提高網(wǎng)絡(luò)推廣能力神經(jīng)網(wǎng)絡(luò)知識(shí)網(wǎng)絡(luò)訓(xùn)練函數(shù)網(wǎng)絡(luò)權(quán)值、誤差學(xué)習(xí)函數(shù)神經(jīng)網(wǎng)絡(luò)知識(shí)mae絕對(duì)平均誤差mse均方誤差msereg規(guī)則化均方誤差sse平方誤差和網(wǎng)絡(luò)性能函數(shù)learpn標(biāo)準(zhǔn)化感知器學(xué)習(xí)規(guī)則learnwhLMS算法（近似梯度下降法）learngd梯度下降法learngdm動(dòng)量梯度下降法以任意精度逼近任何函數(shù)魯棒性、容錯(cuò)性強(qiáng)進(jìn)行快速、大量運(yùn)算學(xué)習(xí)和自適應(yīng)不確定的系統(tǒng)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)同時(shí)處理定性、定量知識(shí)2023/4/211奶牛產(chǎn)奶量預(yù)測(cè)研究意義研究進(jìn)展神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例農(nóng)場(chǎng)主關(guān)心什么先輩（競(jìng)爭(zhēng)對(duì)手）做了什么2023/4/213初產(chǎn)奶牛產(chǎn)奶量預(yù)測(cè)研究問(wèn)題研究數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例初產(chǎn)奶牛產(chǎn)奶量《》親代奶牛產(chǎn)奶量親代奶牛30d、60d、90d、…、305d產(chǎn)奶量初產(chǎn)奶牛305d產(chǎn)奶量初產(chǎn)奶牛產(chǎn)奶量《》初產(chǎn)奶牛營(yíng)養(yǎng)量初產(chǎn)奶牛30d、60d、90d、…、305d營(yíng)養(yǎng)量2023/4/214神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)訓(xùn)練集、測(cè)試集交互檢驗(yàn)Jackknife檢驗(yàn)采用標(biāo)準(zhǔn)集隨機(jī)選取GB126，CB25876個(gè)訓(xùn)練，12或1個(gè)預(yù)測(cè)方法檢驗(yàn)2023/4/215神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)模型結(jié)構(gòu)步驟一三層BP網(wǎng)絡(luò)結(jié)構(gòu)輸出節(jié)點(diǎn)數(shù)為1模型結(jié)構(gòu)步驟二訓(xùn)練樣本數(shù)76輸入節(jié)點(diǎn)數(shù)為7隱層采用S型傳遞函數(shù)采用標(biāo)準(zhǔn)訓(xùn)練、權(quán)值、性能函數(shù)網(wǎng)絡(luò)模型結(jié)構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)模型網(wǎng)絡(luò)模型層數(shù)節(jié)點(diǎn)數(shù)傳遞函數(shù)輸入層7正切函數(shù)線性函數(shù)隱含層10輸出層1訓(xùn)練函數(shù)：traingdx網(wǎng)絡(luò)權(quán)值、誤差學(xué)習(xí)函數(shù)：learngdm網(wǎng)絡(luò)性能函數(shù)：mse是否是最好的選擇方式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)工作步驟初始化網(wǎng)絡(luò)權(quán)值矩陣和神經(jīng)元閾值矩陣提供學(xué)習(xí)樣本計(jì)算網(wǎng)絡(luò)實(shí)際輸出和隱層神經(jīng)元輸出計(jì)算誤差對(duì)各層的影響修正權(quán)值和閾值計(jì)算網(wǎng)絡(luò)輸出誤差判斷誤差是否滿(mǎn)足要求結(jié)束訓(xùn)練2023/4/219MATLAB神經(jīng)網(wǎng)絡(luò)工具箱net.performFcn=‘mse’;%設(shè)置性能函數(shù)為均方誤差net.trainParam.goal=0.01;%設(shè)置性能目標(biāo)值net.trainParam.epochs=25000;%設(shè)置最大訓(xùn)練步數(shù)net.trainParam.lr=0.02;%設(shè)置學(xué)習(xí)率設(shè)置各性能目標(biāo)值如下神經(jīng)網(wǎng)絡(luò)程序?qū)崿F(xiàn)2023/4/221神經(jīng)網(wǎng)絡(luò)程序?qū)崿F(xiàn)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱主要程序設(shè)計(jì)Original_data=textread(‘original.txt’);net=train(net,Train_data,Train_target_data)；%網(wǎng)絡(luò)訓(xùn)練Out_data(i)=sim(net,Test_data)；%網(wǎng)絡(luò)仿真Target_data=textread(‘target.txt’);[R,P]=corrcoef(Target_data,Out_data)；%精度驗(yàn)證2023/4/2222023/4/2232023/4/2252023/4/22612023/4/229710112023/4/2302023/4/2312023/4/232預(yù)測(cè)結(jié)果最后預(yù)測(cè)結(jié)果真實(shí)產(chǎn)奶量預(yù)測(cè)奶量2023/4/233對(duì)初始權(quán)重敏感，易收斂于局部極小收斂緩慢甚至不收斂隱層節(jié)點(diǎn)數(shù)不好確定過(guò)擬合