BP神經(jīng)網(wǎng)絡(luò)試驗(yàn) Matlab

本文格式為Word版，下載可任意編輯——BP神經(jīng)網(wǎng)絡(luò)試驗(yàn)Matlab

計(jì)算智能試驗(yàn)報(bào)告

試驗(yàn)名稱：BP神經(jīng)網(wǎng)絡(luò)算法試驗(yàn)

班級(jí)名稱：專業(yè)：姓名：學(xué)號(hào)：

級(jí)軟工三班軟件工程李XX

2023XXXXXX2023090

一、試驗(yàn)?zāi)康?/p>

1）編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法；

2）探究BP算法中學(xué)習(xí)因子算法收斂趨勢(shì)、收斂速度之間的關(guān)系；

3）修改訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)部分連接權(quán)值，分析連接權(quán)值修改前和修改后對(duì)一致測(cè)試樣本測(cè)試結(jié)果，理解神經(jīng)網(wǎng)絡(luò)分布存儲(chǔ)等特點(diǎn)。

二、試驗(yàn)要求

依照下面的要求操作，然后分析不同操作后網(wǎng)絡(luò)輸出結(jié)果。1）可修改學(xué)習(xí)因子

2）可任意指定隱單元層數(shù)

3）可任意指定輸入層、隱含層、輸出層的單元數(shù)4）可指定最大允許誤差ε

5）可輸入學(xué)習(xí)樣本（增加樣本）

6）可存儲(chǔ)訓(xùn)練后的網(wǎng)絡(luò)各神經(jīng)元之間的連接權(quán)值矩陣；

7）修改訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)部分連接權(quán)值，分析連接權(quán)值修改前和修改后對(duì)一致測(cè)試樣本測(cè)試結(jié)果。

三、試驗(yàn)原理

1明確BP神經(jīng)網(wǎng)絡(luò)算法的基本思想如下：

在BPNN中，后向傳播是一種學(xué)習(xí)算法，表達(dá)為BPNN的訓(xùn)練過(guò)程，該過(guò)程是需要教師指導(dǎo)的；前饋型網(wǎng)絡(luò)是一種結(jié)構(gòu)，表達(dá)為BPNN的網(wǎng)絡(luò)構(gòu)架

反向傳播算法通過(guò)迭代處理的方式，不斷地調(diào)整連接神經(jīng)元的網(wǎng)絡(luò)權(quán)重，使得最終輸出結(jié)果和預(yù)期結(jié)果的誤差最小

BPNN是一種典型的神經(jīng)網(wǎng)絡(luò)，廣泛應(yīng)用于各種分類系統(tǒng)，它也包括了訓(xùn)練和使用兩個(gè)階段。由于訓(xùn)練階段是BPNN能夠投入使用的基礎(chǔ)和前提，而使用階段本身是一個(gè)十分簡(jiǎn)單的過(guò)程，也就是給出輸入，BPNN會(huì)根據(jù)已經(jīng)訓(xùn)練好的參數(shù)進(jìn)行運(yùn)算，得到輸出結(jié)果

2明確BP神經(jīng)網(wǎng)絡(luò)算法步驟和流程如下：

1初始化網(wǎng)絡(luò)權(quán)值

2由給定的輸入輸出模式對(duì)計(jì)算隱層、輸出層各單元輸出3計(jì)算新的連接權(quán)及閥值，

4選取下一個(gè)輸入模式對(duì)返回第2步反復(fù)訓(xùn)練直到網(wǎng)絡(luò)設(shè)輸出誤差達(dá)到要求終止訓(xùn)練。

四、試驗(yàn)內(nèi)容和分析

1．試驗(yàn)時(shí)建立三層BP神經(jīng)網(wǎng)絡(luò)，輸入節(jié)點(diǎn)2個(gè)，隱含層節(jié)點(diǎn)2個(gè)，輸出節(jié)

點(diǎn)1個(gè)，輸入訓(xùn)練樣本如下表：輸入值輸出0.00.00.00.01.01.01.00.01.01.01.00.0學(xué)習(xí)因子分別為0.5和0.6,最大允許誤差0.01。代碼：

P=[0.00.01.01.0;0.01.00.01.0];%輸入量矩陣T=[0.01.01.00.0];%輸出量矩陣

net=newff(minmax(P),T,[21],{'tansig','purelin'},'traingd');%創(chuàng)立名為net的BP神經(jīng)網(wǎng)絡(luò)

inputWeights=net.IW{1,1};%輸入層與隱含層的連接權(quán)重inputbias=net.b{2};%輸入層與隱含層的閾值

net.trainParam.epochs=5000;%網(wǎng)絡(luò)參數(shù)：最大訓(xùn)練次數(shù)為5000次net.trainParam.goal=0.01;%網(wǎng)絡(luò)參數(shù)：訓(xùn)練精度為0.001net.trainparam.lr=0.5;%網(wǎng)絡(luò)參數(shù)：學(xué)習(xí)設(shè)置率為0.5

net.trainParam.mc=0.6;%動(dòng)量

net.trainparam.show=100%網(wǎng)絡(luò)參數(shù)：設(shè)置為每5次學(xué)習(xí)顯示誤差曲線點(diǎn)

[net,tr]=train(net,P,T);%訓(xùn)練

A=sim(net,P);%仿真E=T-A;%誤差MSE=mse(E);%均方誤差

訓(xùn)練結(jié)果：

訓(xùn)練次數(shù)5000，全局誤差0.008364輸入層與隱含層連接權(quán)值為隱含層神經(jīng)元閾值為2．輸入測(cè)試樣本為

隱含層與輸出層連接權(quán)值為輸出層神經(jīng)元閾值為

可見(jiàn)網(wǎng)絡(luò)性能良好，輸出結(jié)果基本滿足識(shí)別要求。3．改變學(xué)習(xí)因子

學(xué)習(xí)因子決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量。大的學(xué)習(xí)因子可能導(dǎo)致系統(tǒng)的不穩(wěn)定；但小的學(xué)習(xí)因子導(dǎo)致較長(zhǎng)的訓(xùn)練時(shí)間，可能收斂很慢，不過(guò)能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于誤差最小值。所以一般狀況下傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。

4．改變輸入層、隱含層、輸出層的單元數(shù)

當(dāng)隱含層節(jié)點(diǎn)個(gè)數(shù)為3時(shí)，一致訓(xùn)練樣本和測(cè)試樣本，得到測(cè)試結(jié)果為net=newff(minmax(P),T,[31],{'tansig','purelin'},'traingd');%創(chuàng)立名為net的BP神經(jīng)網(wǎng)絡(luò)

訓(xùn)練次數(shù)5000，全局誤差0.004126

可見(jiàn)，改變輸入層、隱含層、輸出層的單元數(shù)，即改變網(wǎng)絡(luò)結(jié)構(gòu)，可以改善網(wǎng)絡(luò)性能，增加隱含層節(jié)點(diǎn)個(gè)數(shù)可以更好的提取模式特征，識(shí)別結(jié)果更確切，但網(wǎng)絡(luò)繁雜度增加，可能不穩(wěn)定。

5．最大允許誤差ε控制網(wǎng)絡(luò)識(shí)別精度。

選取較大值學(xué)習(xí)速度加快，但精度降低；選取較小值，學(xué)習(xí)速度變慢，精度

提高，但可能導(dǎo)致網(wǎng)絡(luò)無(wú)法收斂到允許的誤差范圍。

net.trainParam.lr=0.05;6．增加學(xué)習(xí)樣本

在基本試驗(yàn)的基礎(chǔ)上，增加一個(gè)學(xué)習(xí)樣本0.11.01.0后，訓(xùn)練次數(shù)變?cè)黾訛?8982，全局誤差為0.0099993，一致測(cè)試樣本，測(cè)試結(jié)果為

在基本試驗(yàn)的基礎(chǔ)上，增加一個(gè)學(xué)習(xí)樣本0.11.01.0后，訓(xùn)練次數(shù)變?cè)黾訛?0000，全局誤差為0.12568，一致測(cè)試樣本，測(cè)試結(jié)果為

網(wǎng)絡(luò)學(xué)習(xí)速度降低，識(shí)別精度大大提高。另外，改變學(xué)習(xí)樣本個(gè)數(shù)，將改變?cè)杏?xùn)練結(jié)果。

7．改變部分連接權(quán)值網(wǎng)絡(luò)性能被改變。

四、試驗(yàn)小結(jié)